Kursplan

Datateknik, avancerad nivå, Forskningsmetoder för intelligenta system, 30 högskolepoäng

Computer Science, Second Cycle, Research Methodologies for Intelligent Systems, 30 Credits

Kurskod: DT201A Högskolepoäng: 30
Huvudområde: Datateknik Fördjupning: A1N
    Senast ändrad: 2020-03-13
Utbildningsnivå: Avancerad nivå Beslutad av: Prefekt
Inrättad: 2019-12-02 Litteraturlista fastställd: 2020-03-13
Giltig fr.o.m.: Höstterminen 2020 Revision: 1

Mål

Mål för utbildning på avancerad nivå

Utbildning på avancerad nivå ska innebära fördjupning av kunskaper, färdigheter och förmågor i förhållande till utbildning på grundnivå och ska, utöver vad som gäller för utbildning på grundnivå,

  • ytterligare utveckla studenternas förmåga att självständigt integrera och använda kunskaper,
  • utveckla studenternas förmåga att hantera komplexa företeelser, frågeställningar och situationer, och
  • utveckla studenternas förutsättningar för yrkesverksamhet som ställer stora krav på självständighet eller för forsknings- och utvecklingsarbete.

(1 kap. 9 § högskolelagen)

Kursens mål

Kunskap och förståelse
Den studerande ska efter avslutad kurs kunna

  • redogöra för de reglertekniker som oftast används i moderna robotiksystem,
  • diskutera reglerkrav i termer av styrbarhet och stabilitet,
  • redogöra för olika sensortyper som vanligen används på mobila robotar, samt de grundläggande principerna för hur olika sensortyper fungerar, och
  • förklara grundläggande begrepp inom maskininlärning och olika maskininlärningsalgoritmer.

Färdighet och förmåga
Den studerande ska efter avslutad kurs kunna

  • skriva mjukvara för robotiktillämpningar med moderna verktyg,
  • konstruera och justera reglerschema för en given robotiktillämpning,
  • konfigurera, kalibrera och använda moderna sensorer för mobila robotar, och
  • förbereda data, samt välja och tillämpa maskininlärningsalgoritmer för att lösa ett visst lärandeproblem.

Värderingsförmåga och förhållningssätt
Den studerande ska efter avslutad kurs kunna

  • bedöma relevanta vetenskapliga, samhälleliga och etiska aspekter av robotiktillämpningar och visa medvetenhet om etiska aspekter av forskning och utveckling,
  • värdera möjligheterna och begränsningarna av vetenskap, dess roll i samhället och människors ansvar för hur den används, och
  • söka och värdera vetenskaplig information.

Kursens huvudsakliga innehåll

Introduktion till robotik och intelligenta system, 7,5 högskolepoäng

  • Akademiskt läsande och skrivande,
  • robotprogrammering och middleware,
  • etik inom robotik och dess tillämpningar,
  • datavetenskapens grunder från ett robotikperspektiv,
  • sannolikhetsteori och tillståndsskattning,
  • grundläggande linjär algebra för robotiktillämpningar, och
  • robotikens historia.

Sensorer, 7,5 högskolepoäng

  • Sensorers roll inom probabilistisk robotik,
  • positioneringssensorer: pulsgivare och accelerometrar,
  • avståndsmätare: sonar, radar och lidar,
  • bildsensorer: kameror,
  • globala positioneringssensorer: GPS och lokaliseringssystem för inomhusbruk,3D-avståndsmätare: ToF, structured light och stereokameror,
  • kemiska sensorer,
  • kalibrering,
  • brusmodellering och -karaktärisering, och
  • brusfiltrering och sensordatabehandling.

Maskininlärning, 7,5 högskolepoäng

  • Grundläggande begrepp och algoritmer för övervakad och oövervakad maskininlärning,
  • användning och implementering av maskininlärningsalgoritmer för regression, klassificering och klustring,
  • metoder för förbehandling av data, inklusive normalisering, extrahering och urval av attribut, samt dimensionsreducering,
  • praktiska rekommendationer för tillämpning av maskininlärningsalgoritmer,
  • utvärdering och analys av prestanda för maskininlärningsalgoritmer.

Reglerteknik och modellering för robotar, 7,5 högskolepoäng

  • Analys av linjära (och ickelinjära) system,
  • stabilitetskriterier,
  • observabilitet och styrbarhet,
  • vanliga reglertekniker med tillämpning på robotsystem (PID-regulatorer, linearisering och frånkoppling, prediktiv reglering, passivitetsbaserad reglering), och
  • översikt av interaktionsreglering (kraftreglering, impedansreglering).

Studieformer

Introduktion till robotik och intelligenta system: föreläsningar, seminarier och laborationer.

Sensorer: föreläsningar och laborationer.

Maskininlärning: föreläsningar, datorövningar, litteraturstudier, seminarier och projekt.

Reglerteknik och modellering för robotar: föreläsningar och laborationer.

Den som antagits till och registrerats på en kurs har rätt att erhålla undervisning och/eller handledning under den tid som angavs för kurstillfället som den sökande blivit antagen till (se universitetets antagningsordning). Därefter upphör rätten till undervisning och/eller handledning.

Examinationsformer

Introduktion till robotik och intelligenta system, Teori, 2,5 högskolepoäng (Provkod: A001)
Enskild muntlig och skriftlig redovisning av litteraturuppgifter.

Introduktion till robotik och intelligenta system, Laborationer, 5 högskolepoäng (Provkod: A002)
Enskild muntlig och skriftlig redovisning av laborationsuppgifter.

Sensorer, teori, 3 högskolepoäng (Provkod: A003)
Salstentamen. Omtentamen infaller inom elva veckor efter ordinarie tentamen.

Sensorer, laborationer, 4,5 högskolepoäng (Provkod: A004)
Enskild skriftlig redovisning av laborationer.

Maskininlärning, Teori, 2 högskolepoäng (Provkod: A005)
Individuella muntliga presentationer på seminarier.

Maskininlärning, Laborationer, 4 högskolepoäng (Provkod: A006)
Individuella skriftliga rapporter.

Maskininlärning, Projektarbete, 1,5 högskolepoäng (Provkod: A007)
Individuell muntlig presentation och skriftlig rapport.

Reglerteknik och modellering för robotar, teori, 3 högskolepoäng (Provkod: A008)
Salstentamen. Omtentamen infaller inom elva veckor efter ordinarie tentamen.

Reglerteknik och modellering för robotar, praktik, 4,5 högskolepoäng (Provkod: A009)
Enskild skriftlig redovisning av laborationer


För studenter med dokumenterad funktionsnedsättning kan universitetet besluta om anpassning av examination eller annan examinationsform.

För ytterligare information se universitetets regler för examination inom utbildning på grundnivå och avancerad nivå.

Betyg

Enligt 6 kap. 18 § högskoleförordningen ska betyg sättas på en genomgången kurs om inte universitetet föreskriver något annat. Universitetet får föreskriva vilket betygssystem som ska användas. Betyget ska beslutas av en av universitetet särskilt utsedd lärare (examinator).

Enligt universitetets föreskrifter om betygssystem för utbildning på grundnivå och avancerad nivå (beslut ORU 2018/00929) ska något av uttrycken underkänd, godkänd eller väl godkänd användas som betyg. För utbildning som ingår i en internationell magister- eller masterutbildning eller i universitetets kursutbud för utbytesstudenter ska betygsskalan A-F användas. Rektor, eller den rektorn bestämmer, får besluta om undantag från denna bestämmelse för en viss kurs om det finns särskilda skäl.

Som betyg på kursen används Underkänd (F), Tillräcklig (E), Tillfredsställande (D), Bra (C), Mycket bra (B) eller Utmärkt (A).

Introduktion till robotik och intelligenta system, Teori
Som betyg används Underkänd (F), Tillräcklig (E), Tillfredsställande (D), Bra (C), Mycket bra (B) eller Utmärkt (A).

Introduktion till robotik och intelligenta system, Laborationer
Som betyg används Underkänd (U) eller Godkänd (G).

Sensorer, teori
Som betyg används Underkänd (U) eller Godkänd (G).

Sensorer, laborationer
Som betyg används Underkänd (F), Tillräcklig (E), Tillfredsställande (D), Bra (C), Mycket bra (B) eller Utmärkt (A).

Maskininlärning, Teori
Som betyg används Underkänd (U) eller Godkänd (G).

Maskininlärning, Laborationer
Som betyg används Underkänd (F), Tillräcklig (E), Tillfredsställande (D), Bra (C), Mycket bra (B) eller Utmärkt (A).

Maskininlärning, Projektarbete
Som betyg används Underkänd (U) eller Godkänd (G).

Reglerteknik och modellering för robotar, teori
Som betyg används Underkänd (U) eller Godkänd (G).

Reglerteknik och modellering för robotar, praktik
Som betyg används Underkänd (F), Tillräcklig (E), Tillfredsställande (D), Bra (C), Mycket bra (B) eller Utmärkt (A).

För ytterligare information se universitetets regler för examination inom utbildning på grundnivå och avancerad nivå.

Kommentar till betyg

För att få ett godkänt betyg på hela kursen krävs lägst betyget E respektive G på samtliga ingående moment. Sammanvägningen av examinationsuppgifternas betyg sker genom att bokstavsbetygen A-E omvandlas till siffrorna 5-1 och sammanräknas till ett medelbetyg där man också väger in det antal poäng som respektive delkurs utgör av hela kursens poängantal. Betyget på hela kursen sätts således genom ett viktat genomsnitt av delkurserna. Betyg som faller exakt mellan två steg avrundas uppåt.

Särskild behörighet och andra villkor

Examen på grundnivå om 180 hp med datavetenskap/datateknik som huvudområde och 15 hp i matematik (analys och algebra). Alternativt examen på grundnivå om 180 hp varav 30 hp i matematik (analys och algebra) samt 15 hp i datateknik/datavetenskap (som innehåller programmering). Dessutom krävs Engelska 6/Engelska B.

För ytterligare information se universitetets antagningsordning.

Tillgodoräknande av tidigare utbildning

Student som tidigare genomgått utbildning eller fullgjort annan verksamhet ska enligt högskoleförordningen tillgodoräknas detta som en del av den aktuella utbildningen under förutsättning att den tidigare utbildningen eller verksamheten uppfyller vissa krav.

För ytterligare information se universitetets lokala regler för tillgodoräknanden.

Övriga föreskrifter

Kursen ges på engelska.

Kurslitteratur och övriga läromedel

Introduktion till robotik och intelligenta system, 7,5 högskolepoäng
Referenslitteratur
Siciliano, Bruno, Khatib, Oussama (eds.) (2008)
Springer handbook of robotics
Springer

Lin, Patrick; Abney, Keith, Bekey, George A. (2012)
Robot ethics: the ethical and social implications of robotics

Sensorer, 7,5 högskolepoäng
Referenslitteratur
De Silva, C. W. (2015)
Sensors and Actuators: Engineering System Instrumentation, Second Edition
CRC Press

Stoyanov, Todor (2016)
Sensors and Sensing: Course Notes
online: http://www.aass.oru.se/Research/mro/courses/sens/notes.pdf

Maskininlärning, 7,5 högskolepoäng
Referenslitteratur
Bishop, C. M. (2007)
Pattern Recognition and Machine Learning
Springer

Reglerteknik och modellering för robotar, 7,5 högskolepoäng
Referenslitteratur
Lewis, F. , Dawson,D. M. and Abdallah, C. T. (2003)
Robot Manipulator Control - Theory and Practice CRC Press

Ytterligare material utdelas under kursens gång.