4. Lokalizáció Magyar Attila
|
|
- Rebeka Jónásné
- 7 évvel ezelőtt
- Látták:
Átírás
1 4. Lokalizáció Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék szeptember 23.
2 4. Lokalizáció 2
3 4. Tartalom 1. Bevezetés 2. Zaj és alias 3. Lokalizáció alapú vs. programozott navigáció 4. Pozícióbecslés 5. Térkép 6. Lokalizáció 3
4 4.1. Bevezetés Sikeres navigáció Észlelés Lokalizáció Tervezés Mozgásirányítás Általános struktúra 4
5 4.2. Zaj és alias Pontos pozíciómérés esetén a lokalizáció egyszerű de pontos pozíciómérés nincs Komoly kihívás Abszolút vs. relatív pozíció Szenzorok és beavatkozók fontos szerepet játszanak Egyik sem tökéletes 5
6 4.2. Zaj és alias Szenzorok alapvető fontosságúak (érzékelés) Zajjal terheltek Szenzorzaj Csökkenti a mérésből származó információ mennyiségét Nem modellezett környezeti hatás (pl. megvilágítottság mértéke CCD-nél) Interferencia (UH szenzor) Alias Emberi érzékelés a különböző bemeneteket meg tudja különböztetni Robot nem képes rá -> alias jelenség Kis zaj mellett is jelen van Kiküszöbölhető, ha több egymás utáni mérést figyelünk 6
7 4.2. Zaj és alias A szenzorokhoz hasonlóan a beavatkozók sem tökéletesek Beavatkozó zaj Valójában mindig a környezet hiányos modellezéséből származik Odometria, dead reckoning A pozíció proprioceptív szenzoradatokból Hibaforrások Kerékcsúszás Talaj lejtése Kerékátmérő Hibák három csoportja Távolság hiba - Fordulási hiba Drift hiba Hosszútávon a fordulási és a drift hibák gyorsabban növekednek 7
8 4.2. Odometriai hibák Differenciális hajtású robot pozíciója p = (x, y, θ) t(mintavételi) idő alatt megtett út ( x, y, θ) x = s cos( θ + θ / 2) s r, s l- jobb,bal kerék által y = s sin( θ + θ / 2) megtett út (mérhető/számolható) θ = ( s b kerekek közti távolság r s l) / b s = ( s + s ) / 2 Frissített pozíció r l s r s l s r + s l x x s cos( θ + θ / 2) x 2 cos( θ + 2b ) s r sl sr + s l p = y y s sin( / 2) y = + θ + θ = + 2 sin( θ + 2b ) = f(x,y, θ, s r, s l) sr sl θ θ θ θ b 8
9 4.2. Odometriai hibák terjedése Kovariancia mátrix rekurzív számítása T Σ p' = p Σp p + Σ f f f f Σ = cov( s r, s l ), a mozgásinkrementum kovariancia mátrixa Σ p = kiindulási pozíció kovariancia mátrixa Σ p = aktuális pozíció kovariancia mátrixa rl rl T 9
10 4.3. Lokalizáció alapú vs. programozott navigáció Nem a lokalizáció az egyetlen járható út A -> B Térkép építés, lokalizáció, útvonal tervezés Viselkedés alapú megoldás: bal oldali fal követése, leállási feltétel 10
11 4.3. Lokalizáció alapú vs. programozott navigáció Viselkedés alapú navigáció + Könnyen implementálható Nem skálázható (nagyobb környezetre) Az elemi procedúrákat alaposan meg kell tervezni Egy időben több aktív viselkedési elem Térkép alapú navigáció + A robot térkép-alapú tudása átlátható + A térkép egy kommunikációs csatorna + A robot által készített térkép az emberek által is használható Mi van, ha rossz a térkép? 11
12 4.4. Pozíció A különböző térkép alapú lokalizációs rendszerek az alkalmazott reprezentációban különböznek Térkép A robot környezetéről alkotott modell Pozícióbecslés Hol vagyok a térképen? Egy lehetséges pozíció Több lehetséges pozíció? 12
13 4.4. Pozícióbecslés Egy hipotézises pozícióbecslés Legelterjedtebb Feltételezett pozíció: egy pont a térképen Egyértelmű Egyszerű útvonaltervezés Egyszerű pozíciófrissítés Szenzor és beavatkozó zaja bizonytalanságot okoz Egy hipotézis nem írja le megfelelően a pozíciót 13
14 4.4. Pozícióbecslés Több hipotézises pozícióbecslés Feltételezett pozíció: több lehetségespont a térképen (ponthalmaz) Rendezés a lehetséges pontok között Térképpontonként egy valószínűségi sűrűségfüggvény (folytonos) Diszkrét térképcellák + valószínűség (egyenként frissíthető) Kezeli a zaj okozta bizonytalanságot Nehéz az útvonaltervezés 14
15 4.5. Térkép A pozícióbecslés duálisa Alapvető összefüggések 1. A térkép felbontása függ a végrehajtandó feladat pontosságától 2. A térkép felbontása és a térkép által reprezentált jellemzők függnek a szenzorok pontosságától, és az általuk szolgáltatott adatok jellegétől 3. A térkép felbontása határozza meg a térképépítéssel, lokalizációval, és navigációval kapcsolatos számítási feladatok bonyolultságát Térképépítés szenzorai Távolságmérés (lézer/ultrahang) CCD/CMOS látórendszer 15
16 Pontos leírás Nagyon memóriaigényes 4.5. Folytonos térkép Általában kombinált megoldás Folytonos reprezentáció Zárt világfeltételezése: Minden objektum szerepel a térképen ami nincs a térképen, az nem létezik. A térkép (memóriabeli) mérete arányos az objektum- sűrűséggel ritka környezet = kis memóriaigényű térkép 16
17 Folytonos térkép 4.5. Folytonos térkép - példa Akadályok reprezentálása sokszögekkel Sokszögek csúcsait elég ismerni 17
18 Szenzor Lézeres távolságmérés 4.5. Folytonos térkép - példa Távolságadatokból egyenesek kiemelése Folytonos térkép Térkép leírása egyenesekkel y=mx+b 18
19 4.5. Diszkretizált térkép Pontos térkép 0 0 (kis 0 rácsméret) memóriaigényes Mátrix 0 0 reprezentáció üres, 1,2,3, - foglalt (növekvő valószínűséggel) Zárt világ feltételezés itt nem használható Foglaltsági háló alapú térkép (fix dekompozíció) Adaptív rácsmérettel pontosabban leírható objektumok 19
20 4.5. Topologikus térkép Nem direkt méréseken alapul Gráf reprezentáció Csomópontok: helyszínek Nem azonos méretű helyszínek Élek: átjárhatóság Sikeres navigáció kulcsa Aktuális pozíció megfelelő leképezése a csomópontokra Élek megfelelő leképezése a robot mozgására 20
21 4.6. Lokalizáció Térkép alapú lokalizáció pozíció meghatározása Valószínségi sűrűségfüggvények Két lépésben történik 1. Akció: o t proprioceptív mérések és a korábbi s t-1 becsült pozíció s = Act(o,s ) t t t 1 2. Mérés: i t exteroceptív mérések és az 1. pontban számolt s t pozíció s = Meas(i,s ) t t t Két módszer: Markov lokalizáció Kalman szűrő 21
22 4. Kvíz 1. Milyen típusú szenzorok adatait használjuk pozíció becslésére az odometria feladata során? A. Exteroceptív B. Proprioceptív C. Mindkettő 2. Melyik pozícióbecslés szolgál(hat) statisztikai információval is a robot pozíciójáról? A. Egy hipotézises pozícióbecslés B. Több hipotézises pozícióbecslés 3. A zárt világ feltételezés lényege, hogy A. a térképet nem lehet kibővíteni. B. ami nincs a térképen, arról feltételezzük, hogy nem létezik. C. a kevés objektumot tartalmazó térképrészlet kis memóriát foglaljon.. 22
23 4. Kvíz - megoldások 1. Milyen típusú szenzorok adatait használjuk pozíció becslésére az odometria feladata során? A. Exteroceptív B. Proprioceptív C. Mindkettő 2. Melyik pozícióbecslés szolgál(hat) statisztikai információval is a robot pozíciójáról? A. Egy hipotézises pozícióbecslés B. Több hipotézises pozícióbecslés 3. A zárt világ feltételezés lényege, hogy A. a térképet nem lehet kibővíteni. B. ami nincs a térképen, arról feltételezzük, hogy nem létezik. C. a kevés objektumot tartalmazó térképrészlet kis memóriát foglaljon.. 23
Robotika. Relatív helymeghatározás Odometria
Robotika Relatív helymeghatározás Odometria Differenciális hajtás c m =πd n /nc e c m D n C e n = hány mm-t tesz meg a robot egy jeladó impulzusra = névleges kerék átmérő = jeladó fölbontása (impulzus/ford.)
RészletesebbenMarkerek jól felismerhetőek, elkülöníthetők a környezettől Korlátos hiba
1. Ismertesse a relatív és abszolút pozíciómegatározás tulajdonságait, és lehetőségeit. Mit jelent a dead reckoning, és mi az odometria? Milyen hibalehetőségekre kell számítanunk odometria alkalmazásakor?
Részletesebben1. Mozgás Magyar Attila
1. Mozgás Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2011. szeptember 5. Bevezető 2 Kurzus célja 1. Mozgás
RészletesebbenNGB_IN040_1 SZIMULÁCIÓS TECHNIKÁK dr. Pozna Claudio Radu, Horváth Ernő
SZÉCHENYI ISTVÁN EGYETEM Műszaki Tudományi Kar Informatika Tanszék BSC FOKOZATÚ MÉRNÖK INFORMATIKUS SZAK NGB_IN040_1 SZIMULÁCIÓS TECHNIKÁK dr. Pozna Claudio Radu, Horváth Ernő Fejlesztői dokumentáció GROUP#6
RészletesebbenRobotika. 3. Érzékelés Magyar Attila. Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék
3. Érzékelés Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2011. február 24. 3. Érzékelés 2 3. Tartalom 1. Mobil
RészletesebbenBeltéri autonóm négyrotoros helikopter szabályozó rendszerének kifejlesztése és hardware-in-the-loop tesztelése
Beltéri autonóm négyrotoros helikopter szabályozó rendszerének kifejlesztése és hardware-in-the-loop tesztelése Regula Gergely, Lantos Béla BME Villamosmérnöki és Informatikai Kar Irányítástechnika és
RészletesebbenSZENZORFÚZIÓS ELJÁRÁSOK KIDOLGOZÁSA AUTONÓM JÁRMŰVEK PÁLYAKÖVETÉSÉRE ÉS IRÁNYÍTÁSÁRA
infokommunikációs technológiák SZENZORFÚZIÓS ELJÁRÁSOK KIDOLGOZÁSA AUTONÓM JÁRMŰVEK PÁLYAKÖVETÉSÉRE ÉS IRÁNYÍTÁSÁRA BEVEZETŐ A KUTATÁS CÉLJA Autonóm járművek és robotok esetén elsődleges feladat a robotok
RészletesebbenAkusztikai tervezés a geometriai akusztika módszereivel
Akusztikai tervezés a geometriai akusztika módszereivel Fürjes Andor Tamás BME Híradástechnikai Tanszék Kép- és Hangtechnikai Laborcsoport, Rezgésakusztika Laboratórium 1 Tartalom A geometriai akusztika
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
RészletesebbenValószínűségi modellellenőrzés Markov döntési folyamatokkal
Valószínűségi modellellenőrzés Markov döntési folyamatokkal Hajdu Ákos Szoftver verifikáció és validáció 2015.12.09. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek
Részletesebben3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás
3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás 15. Digitális Alakzatrekonstrukció Méréstechnológia, Ponthalmazok regisztrációja http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiiav54
Részletesebben3D számítógépes geometria és alakzatrekonstrukció
3D számítógépes geometria és alakzatrekonstrukció 15. Digitális Alakzatrekonstrukció Méréstechnológia, Ponthalmazok regisztrációja http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiima01
RészletesebbenKamerakalibráció és pozícióbecslés érzékenységi analízissel, sík mintázatokból. Dabóczi Tamás (BME MIT), Fazekas Zoltán (MTA SZTAKI)
, 2008 feb. 4-5 Kamerakalibráció és pozícióbecslés érzékenységi Bódis-Szomorú András Dabóczi Tamás (BME MIT), Fazekas Zoltán (MTA SZTAKI) Méréstechnika- és Információs Rendszerek Tanszék BME Rendszer-
RészletesebbenEllátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével
Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével Pekárdy Milán, Baumgartner János, Süle Zoltán Pannon Egyetem, Veszprém XXXII. Magyar Operációkutatási
RészletesebbenMérési struktúrák
Mérési struktúrák 2007.02.19. 1 Mérési struktúrák A mérés művelete: a mérendő jellemző és a szimbólum halmaz közötti leképezés megvalósítása jel- és rendszerelméleti aspektus mérési folyamat: a leképezést
RészletesebbenStatisztikai módszerek a skálafüggetlen hálózatok
Statisztikai módszerek a skálafüggetlen hálózatok vizsgálatára Gyenge Ádám1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudományi és Információelméleti
RészletesebbenDigitális jelfeldolgozás
Digitális jelfeldolgozás Kvantálás Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2010. szeptember 15. Áttekintés
RészletesebbenMozgásmodellezés. Lukovszki Csaba. Navigációs és helyalapú szolgáltatások és alkalmazások (VITMMA07)
TÁVKÖZLÉSI ÉS MÉDIAINFORMATIKAI TANSZÉK () BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM (BME) Mozgásmodellezés Lukovszki Csaba Áttekintés» Probléma felvázolása» Szabadsági fokok» Diszkretizált» Hibát
RészletesebbenNavigáci. stervezés. Algoritmusok és alkalmazásaik. Osváth Róbert Sorbán Sámuel
Navigáci ció és s mozgástervez stervezés Algoritmusok és alkalmazásaik Osváth Róbert Sorbán Sámuel Feladat Adottak: pálya (C), játékos, játékos ismerethalmaza, kezdőpont, célpont. Pálya szerkezete: akadályokkal
RészletesebbenAlap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )
Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:
RészletesebbenSzenzorcsatolt robot: A szenzorcsatolás lépései:
1. Mi a szenzorcsatolt robot, hogyan épül fel? Ismertesse a szenzorcsatolás lépéseit röviden az Egységes szenzorplatform architektúra segítségével. Mikor beszélünk szenzorfúzióról? Milyen módszereket használhatunk?
RészletesebbenIrányításelmélet és technika II.
Irányításelmélet és technika II. Legkisebb négyzetek módszere Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék amagyar@almos.vein.hu 200 november
RészletesebbenSZENZOROKRA ÉPÜLŐ ADAPTÍV RENDSZERMODELL
infokommunikációs technológiák SZENZOROKRA ÉPÜLŐ ADAPTÍV RENDSZERMODELL Dr. Jaskó Szilárd Pannon Egyetem, MIK, Nagykanizsai kampusz Kanizsa Felsőoktatásáért Alapítvány 2015 VIRTUÁLIS STRUKTÚRA 2 VIRTUÁLIS
RészletesebbenTakács Bence GPS: pontosság és megbízhatóság. Földmérők Világnapja és Európai Földmérők és Geoinformatikusok Napja Budapest, március 21.
Takács Bence GPS: pontosság és megbízhatóság Földmérők Világnapja és Európai Földmérők és Geoinformatikusok Napja Budapest, 2018. március 21. AIRBUS A320 LOW VISIBILITY ILS CAT III AUTOLAND APPROACH IN
RészletesebbenVÁROSI CSAPADÉKVÍZ GAZDÁLKODÁS A jelenlegi tervezési gyakorlat alkalmazhatóságának korlátozottsága az éghajlat változó körülményei között
VÁROSI CSAPADÉKVÍZ GAZDÁLKODÁS A jelenlegi tervezési gyakorlat alkalmazhatóságának korlátozottsága az éghajlat változó körülményei között Dr. Buzás Kálmán címzetes egyetemi tanár BME, Vízi Közmű és Környezetmérnöki
RészletesebbenAnyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek
Anyagvizsgálati módszerek Mérési adatok feldolgozása Anyagvizsgálati módszerek Pannon Egyetem Mérnöki Kar Anyagvizsgálati módszerek Statisztika 1/ 22 Mérési eredmények felhasználása Tulajdonságok hierarchikus
RészletesebbenKUTATÁSI JELENTÉS. Multilaterációs radarrendszer kutatása. Szüllő Ádám
KUTATÁSI JELENTÉS Multilaterációs radarrendszer kutatása Szüllő Ádám 212 Bevezetés A Mikrohullámú Távérzékelés Laboratórium jelenlegi K+F tevékenységei közül ezen jelentés a multilaterációs radarrendszerek
RészletesebbenBiometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
RészletesebbenFüggvények növekedési korlátainak jellemzése
17 Függvények növekedési korlátainak jellemzése A jellemzés jól bevált eszközei az Ω, O, Θ, o és ω jelölések. Mivel az igények általában nemnegatívak, ezért az alábbi meghatározásokban mindenütt feltesszük,
RészletesebbenMéréselmélet MI BSc 1
Mérés és s modellezés 2008.02.15. 1 Méréselmélet - bevezetés a mérnöki problémamegoldás menete 1. A probléma kitűzése 2. A hipotézis felállítása 3. Kísérlettervezés 4. Megfigyelések elvégzése 5. Adatok
Részletesebben1. Metrológiai alapfogalmak. 2. Egységrendszerek. 2.0 verzió
Mérés és adatgyűjtés - Kérdések 2.0 verzió Megjegyzés: ezek a kérdések a felkészülést szolgálják, nem ezek lesznek a vizsgán. Ha valaki a felkészülése alapján önállóan válaszolni tud ezekre a kérdésekre,
RészletesebbenÉldetektálás, szegmentálás (folytatás) Orvosi képdiagnosztika 11_2 ea
Éldetektálás, szegmentálás (folytatás) Orvosi képdiagnosztika 11_2 ea Geometrikus deformálható modellek Görbe evolúció Level set módszer A görbe evolúció parametrizálástól független mindössze geometriai
RészletesebbenRegressziós vizsgálatok
Regressziós vizsgálatok Regresszió (regression) Általános jelentése: visszaesés, hanyatlás, visszafelé mozgás, visszavezetés. Orvosi területen: visszafejlődés, involúció. A betegség tünetei, vagy maga
RészletesebbenProgramozási módszertan. Függvények rekurzív megadása "Oszd meg és uralkodj" elv, helyettesítő módszer, rekurziós fa módszer, mester módszer
PM-03 p. 1/13 Programozási módszertan Függvények rekurzív megadása "Oszd meg és uralkodj" elv, helyettesítő módszer, rekurziós fa módszer, mester módszer Werner Ágnes Villamosmérnöki és Információs Rendszerek
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
Részletesebbenbiometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás
Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani
RészletesebbenMozgásvizsgálatok. Mérnökgeodézia II. Ágfalvi Mihály - Tóth Zoltán
Mérnökgeodézia II. Ágfalvi Mihály - Tóth Zoltán Célja: Várható elmozdulások előrejelzése (erőhatások alatt, Siógemenci árvízkapu) Már bekövetkezett mozgások okainak vizsgálata (Pl. kulcsi löszpart) Laboratóriumi
RészletesebbenSzenzorokra épülő adaptív rendszermodell
Szenzorokra épülő adaptív rendszermodell Dr. Jaskó Szilárd Pannon Egyetem TÁMOP-4.2.2.C-11/1/KONV-2012-0004 Nemzeti kutatóközpont fejlett infokommunikációs technológiák kidolgozására és piaci bevezetésére
RészletesebbenPneumatika az ipari alkalmazásokban
Pneumatika az ipari alkalmazásokban Manipulátorok Balanszer technika Pneumatikus pozícionálás Anyagmozgatási és Logisztikai Rendszerek Tanszék Manipulátorok - Mechanikai struktúra vagy manipulátor, amely
RészletesebbenA mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv
Mérések, mérési eredmények, mérési bizonytalanság A mérések általános és alapvető metrológiai fogalmai és definíciói mérés Műveletek összessége, amelyek célja egy mennyiség értékének meghatározása. mérési
RészletesebbenOptimális mérési elrendezés hidraulikus hálózatokon
Optimális mérési elrendezés hidraulikus hálózatokon MaSzeSz Juniuor Szimpózium Wéber Richárd PhD hallgató, III. félév BME, GPK, Hidrodinamikai Rendszerek Tanszék Budapest, 2018, egyetemi docens Tartalom
RészletesebbenMegerősítéses tanulási módszerek és alkalmazásaik
MISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR Megerősítéses tanulási módszerek és alkalmazásaik Tompa Tamás tanársegéd Általános Informatikai Intézeti Tanszék Miskolc, 2017. szeptember 15. Tartalom
RészletesebbenDunaújvárosi Főiskola Informatikai Intézet. Intelligens ágensek. Dr. Seebauer Márta. főiskolai tanár
Dunaújvárosi Főiskola Informatikai Intézet Intelligens ágensek Dr. Seebauer Márta főiskolai tanár seebauer.marta@szgti.bmf.hu Ágens Ágens (agent) bármi lehet, amit úgy tekinthetünk, hogy érzékelők (sensors)
RészletesebbenMérés és adatgyűjtés
Mérés és adatgyűjtés 4. óra - levelező Mingesz Róbert Szegedi Tudományegyetem 2011. március 18. MA lev - 4. óra Verzió: 1.3 Utolsó frissítés: 2011. május 15. 1/51 Tartalom I 1 A/D konverterek alkalmazása
RészletesebbenStatisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
RészletesebbenZárójelentés. Az autonóm mobil eszközök felhasználási területei, irányítási módszerek
Zárójelentés Az autonóm mobil eszközök felhasználási területei, irányítási módszerek Az autonóm mobil robotok elterjedése növekedést mutat napjainkban az egész hétköznapi felhasználástól kezdve az ember
RészletesebbenÜtközések vizsgálatához alkalmazható számítási eljárások
Ütközések vizsgálatához alkalmazható számítási eljárások Az eljárások a kiindulási adatoktól és a számítás menetétől függően két csoportba sorolhatók. Az egyik a visszafelé történő számítások csoportja,
Részletesebben7. Régió alapú szegmentálás
Digitális képek szegmentálása 7. Régió alapú szegmentálás Kató Zoltán http://www.cab.u-szeged.hu/~kato/segmentation/ Szegmentálási kritériumok Particionáljuk a képet az alábbi kritériumokat kielégítő régiókba
RészletesebbenStatisztikai következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
RészletesebbenNagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem
agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel
RészletesebbenDiverzifikáció Markowitz-modell MAD modell CAPM modell 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 11. Előadás Portfólió probléma Portfólió probléma Portfólió probléma Adott részvények (kötvények,tevékenységek,
RészletesebbenDinamikus modellek szerkezete, SDG modellek
Diagnosztika - 3. p. 1/2 Modell Alapú Diagnosztika Diszkrét Módszerekkel Dinamikus modellek szerkezete, SDG modellek Hangos Katalin PE Villamosmérnöki és Információs Rendszerek Tanszék Diagnosztika - 3.
RészletesebbenForgalmi modellezés BMEKOKUM209
BME Közlekedésüzemi és Közlekedésgazdasági Tanszék Forgalmi modellezés BMEKOKUM209 Szimulációs modellezés Dr. Juhász János A forgalmi modellezés célja A közlekedési igények bővülése és a motorizáció növekedése
RészletesebbenSzámítógépes döntéstámogatás OPTIMALIZÁLÁSI FELADATOK A SOLVER HASZNÁLATA
SZDT-03 p. 1/24 Számítógépes döntéstámogatás OPTIMALIZÁLÁSI FELADATOK A SOLVER HASZNÁLATA Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás
RészletesebbenBAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.
BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. 1 Mérési hibák súlya és szerepe a mérési eredményben A mérési hibák csoportosítása A hiba rendűsége Mérési bizonytalanság Standard és kiterjesztett
Részletesebben3D-s számítógépes geometria és alakzatrekonstrukció
3D-s számítógépes geometria és alakzatrekonstrukció 14. Digitális Alakzatrekonstrukció - Bevezetés http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiiav08 Dr. Várady Tamás,
RészletesebbenObjektum orientált programozás Bevezetés
Objektum orientált programozás Bevezetés Miskolci Egyetem Általános Informatikai Tanszék Utolsó módosítás: 2008. 03. 04. OOPALAP / 1 A program készítés Absztrakciós folyamat, amelyben a valós világban
RészletesebbenÉRZÉKELŐK ÉS BEAVATKOZÓK I. 0. TANTÁRGY ISMERTETŐ
ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 0. TANTÁRGY ISMERTETŐ Dr. Soumelidis Alexandros 2018.09.06. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG A tárgy célja
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:
RészletesebbenOsztályozóvizsga-tematika 8. évfolyam Matematika
Osztályozóvizsga-tematika 8. évfolyam Matematika 1. félév 1. Gondolkozz és számolj! A természetes szám fogalma, műveleti tulajdonságok Helyiértékek rendszere a tízes számrendszerben: alakiérték, tényleges
RészletesebbenTávérzékelés, a jöv ígéretes eszköze
Távérzékelés, a jöv ígéretes eszköze Ritvayné Szomolányi Mária Frombach Gabriella VITUKI CONSULT Zrt. A távérzékelés segítségével: különböz6 magasságból, tetsz6leges id6ben és a kívánt hullámhossz tartományokban
RészletesebbenInformatika a valós világban: a számítógépek és környezetünk kapcsolódási lehetőségei
Informatika a valós világban: a számítógépek és környezetünk kapcsolódási lehetőségei Dr. Gingl Zoltán SZTE, Kísérleti Fizikai Tanszék Szeged, 2000 Február e-mail : gingl@physx.u-szeged.hu 1 Az ember kapcsolata
RészletesebbenDiszkrét matematika 2. estis képzés
Diszkrét matematika 2. estis képzés 2018. tavasz 1. Diszkrét matematika 2. estis képzés 11. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenElőrejelzett szélsebesség alapján számított teljesítménybecslés statisztikai korrekciójának lehetőségei
Előrejelzett szélsebesség alapján számított teljesítménybecslés statisztikai korrekciójának lehetőségei Brajnovits Brigitta brajnovits.b@met.hu Országos Meteorológiai Szolgálat, Informatikai és Módszertani
RészletesebbenBiostatisztika VIII. Mátyus László. 19 October
Biostatisztika VIII Mátyus László 19 October 2010 1 Ha σ nem ismert A gyakorlatban ritkán ismerjük σ-t. Ha kiszámítjuk s-t a minta alapján, akkor becsülhetjük σ-t. Ez további bizonytalanságot okoz a becslésben.
RészletesebbenMérés és adatgyűjtés
Mérés és adatgyűjtés 4. óra Mingesz Róbert Szegedi Tudományegyetem 2012. február 27. MA - 4. óra Verzió: 2.1 Utolsó frissítés: 2012. március 12. 1/41 Tartalom I 1 Jelek 2 Mintavételezés 3 A/D konverterek
RészletesebbenMatematikai geodéziai számítások 6.
Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre
RészletesebbenPontműveletek. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar február 20.
Pontműveletek Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar 2012. február 20. Sergyán (OE NIK) Pontműveletek 2012. február 20. 1 / 40 Felhasznált irodalom
RészletesebbenTÉRINFORMATIKAI ALGORITMUSOK
Topológiai algoritmusok és adatszerkezetek TÉRINFORMATIKAI ALGORITMUSOK Cserép Máté mcserep@caesar.elte.hu 2015. november 18. EÖTVÖS LORÁND TUDOMÁNYEGYETEM INFORMATIKAI KAR BEVEZETŐ Topológia: olyan matematikai
RészletesebbenMódszertani hozzájárulás a Szegénység
Módszertani hozzájárulás a Szegénység Többváltozós Statisztikai Méréséhez MTA doktori értekezés főbb eredményei Hajdu ottó BCE KTK Statisztika Tanszék BME GTK Pénzügyek Tanszék Hajdu Ottó 1 Egyváltozós
RészletesebbenHasonlósági keresés molekulagráfokon: legnagyobb közös részgráf keresése
Hasonlósági keresés molekulagráfokon: legnagyobb közös részgráf keresése Kovács Péter ChemAxon Kft., ELTE IK kpeter@inf.elte.hu Budapest, 2018.11.06. Bevezetés Feladat: két molekulagráf legnagyobb közös
RészletesebbenMatematikai geodéziai számítások 6.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Dr. Bácsatyai László Matematikai geodéziai számítások 6. MGS6 modul Lineáris regresszió számítás elektronikus távmérőkre SZÉKESFEHÉRVÁR 2010 Jelen szellemi
RészletesebbenSzámítógépes döntéstámogatás. Statisztikai elemzés
SZDT-03 p. 1/22 Számítógépes döntéstámogatás Statisztikai elemzés Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-03 p. 2/22 Rendelkezésre
RészletesebbenObjektumorientált paradigma és a programfejlesztés
Objektumorientált paradigma és a programfejlesztés Vámossy Zoltán vamossy.zoltan@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar Ficsor Lajos (Miskolci Egyetem) prezentációja alapján Objektumorientált
RészletesebbenRegresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.
Regresszió Csorba János Nagyméretű adathalmazok kezelése 2010. március 31. A feladat X magyarázó attribútumok halmaza Y magyarázandó attribútumok) Kérdés: f : X -> Y a kapcsolat pár tanítópontban ismert
RészletesebbenÚj típusú döntési fa építés és annak alkalmazása többtényezős döntés területén
Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén Dombi József Szegedi Tudományegyetem Bevezetés - ID3 (Iterative Dichotomiser 3) Az ID algoritmusok egy elemhalmaz felhasználásával
Részletesebben3D számítógépes geometria és alakzatrekonstrukció
3D számítógépes geometria és alakzatrekonstrukció 14. Digitális Alakzatrekonstrukció - Bevezetés http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiima01 Dr. Várady Tamás, Dr.
RészletesebbenMit látnak a robotok? Bányai Mihály Matemorfózis, 2017.
Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017. Vizuális feldolgozórendszerek feladatai Mesterséges intelligencia és idegtudomány Mesterséges intelligencia és idegtudomány Párhuzamos problémák
RészletesebbenLeica DISTO D5 Távolságok mérése
Leica DISTO D5 Távolságok mérése Leica DISTO D5 WORLD FIRST: DIGITAL POINTFINDER WITH 4x ZOOM! Elérhető ilyen távolság? A Leica DISTO D5 különösen a kültéri mérések megkönnyítését segíti számos új funkcióval
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2017. tavasz 1. Diszkrét matematika 2.C szakirány 4. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék 2017.
RészletesebbenTermék modell. Definíció:
Definíció: Termék modell Összetett, többfunkciós, integrált modell (számítógépes reprezentáció) amely leír egy műszaki objektumot annak különböző életfázis szakaszaiban: tervezés, gyártás, szerelés, szervízelés,
RészletesebbenGyártástechnológia alapjai Méréstechnika rész. Előadások (2.) 2011.
Gyártástechnológia alapjai Méréstechnika rész Előadások (2.) 2011. 1 Méréstechnika előadás 2. 1. Mérési hibák 2. A hiba rendszáma 3. A mérési bizonytalanság 2 Mérési folyamat A mérési folyamat négy fő
RészletesebbenAbsztrakció. Objektum orientált programozás Bevezetés. Általános Informatikai Tanszék Utolsó módosítás:
Objektum orientált programozás Bevezetés Miskolci Egyetem Általános Informatikai Tanszék Utolsó módosítás: 2008. 03. 04. OOPALAP / 1 A program készítés Absztrakciós folyamat, amelyben a valós világban
Részletesebben(Independence, dependence, random variables)
Két valószínűségi változó együttes vizsgálata Feltételes eloszlások Két diszkrét változó együttes eloszlása a lehetséges értékpárok és a hozzájuk tartozó valószínűségek (táblázat) Példa: Egy urna 3 fehér,
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
RészletesebbenBiometria az orvosi gyakorlatban. Regresszió Túlélésanalízis
SZDT-09 p. 1/36 Biometria az orvosi gyakorlatban Regresszió Túlélésanalízis Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Logisztikus regresszió
RészletesebbenBevezetés a hipotézisvizsgálatokba
Bevezetés a hipotézisvizsgálatokba Nullhipotézis: pl. az átlag egy adott µ becslése : M ( x -µ ) = 0 Alternatív hipotézis: : M ( x -µ ) 0 Szignifikancia: - teljes bizonyosság csak teljes enumerációra -
RészletesebbenKéprestauráció Képhelyreállítás
Képrestauráció Képhelyreállítás Képrestauráció - A képrestauráció az a folyamat mellyel a sérült képből eltávolítjuk a degradációt, eredményképpen pedig az eredetihez minél közelebbi képet szeretnénk kapni
RészletesebbenInfobionika ROBOTIKA. IX. Előadás. Robot manipulátorok I. Alapfogalmak. Készült a HEFOP P /1.0 projekt keretében
Infobionika ROBOTIKA IX. Előadás Robot manipulátorok I. Alapfogalmak Készült a HEFOP-3.3.1-P.-2004-06-0018/1.0 projekt keretében Tartalom Robot manipulátorok definíciója és alkalmazásai Manipulátorok szerkezete
Részletesebben2. Elméleti összefoglaló
2. Elméleti összefoglaló 2.1 A D/A konverterek [1] A D/A konverter feladata, hogy a bemenetére érkező egész számmal arányos analóg feszültséget vagy áramot állítson elő a kimenetén. A működéséhez szükséges
RészletesebbenInfobionika ROBOTIKA. X. Előadás. Robot manipulátorok II. Direkt és inverz kinematika. Készült a HEFOP P /1.0 projekt keretében
Infobionika ROBOTIKA X. Előadás Robot manipulátorok II. Direkt és inverz kinematika Készült a HEFOP-3.3.1-P.-2004-06-0018/1.0 projekt keretében Tartalom Direkt kinematikai probléma Denavit-Hartenberg konvenció
RészletesebbenMérés és modellezés Méréstechnika VM, GM, MM 1
Mérés és modellezés 2008.02.04. 1 Mérés és modellezés A mérnöki tevékenység alapeleme a mérés. A mérés célja valamely jelenség megismerése, vizsgálata. A mérés tervszerűen végzett tevékenység: azaz rögzíteni
RészletesebbenMegerősítéses tanulás 2. előadás
Megerősítéses tanulás 2. előadás 1 Technikai dolgok Email szityu@eotvoscollegium.hu Annai levlista http://nipglab04.inf.elte.hu/cgi-bin/mailman/listinfo/annai/ Olvasnivaló: Sutton, Barto: Reinforcement
RészletesebbenTúl szűk vagy éppen túl tágas terek 3D-szkennelése a Geodézia Zrt.-nél Stenzel Sándor - Geodézia Zrt. MFTTT 31. Vándorgyűlés, Szekszárd
Túl szűk vagy éppen túl tágas terek 3D-szkennelése a Geodézia Zrt.-nél Stenzel Sándor - Geodézia Zrt. MFTTT 31. Vándorgyűlés, Szekszárd 3D-szkennelés könnyedén Conti-kápolna (Bp. X.) Megyaszói Ref. Templom
RészletesebbenNormális eloszlás tesztje
Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra
RészletesebbenÁltalános Pszichológia. Érzékelés Észlelés
Általános Pszichológia Érzékelés Észlelés Érzékelés Észlelés Klasszikus modell Elemitől a bonyolultabbig Külvilág elemi (Fizikai) ingerei: Érzékszervek (Speciális receptorok) Észlelés -fény -hanghullám
RészletesebbenIndikátorok projekt modellhelyszínein. Domokos Tamás szeptember 13.
Indikátorok és értékelés a TÁMOP T 5.4.1. projekt modellhelyszínein Domokos Tamás 2011. szeptember 13. Az értékelés különböző típusait és főbb kérdései Az értékelés típusa A fejlesztési folyamat értékelése
RészletesebbenSpektrográf elvi felépítése. B: maszk. A: távcső. Ø maszk. Rés Itt lencse, de általában komplex tükörrendszer
Spektrográf elvi felépítése A: távcső Itt lencse, de általában komplex tükörrendszer Kis kromatikus aberráció fontos Leképezés a fókuszsíkban: sugarak itt metszik egymást B: maszk Fókuszsíkba kerül (kamera
RészletesebbenPanorámakép készítése
Panorámakép készítése Képregisztráció, 2009. Hantos Norbert Blaskovics Viktor Összefoglalás Panoráma (image stitching, planar mosaicing): átfedő képek összeillesztése Lépések: Előfeldolgozás (pl. intenzitáskorrekciók)
RészletesebbenAlgoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás
Algoritmusok Tervezése 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás Mi az algoritmus? Lépések sorozata egy feladat elvégzéséhez (legáltalánosabban) Informálisan algoritmusnak nevezünk bármilyen jól definiált
Részletesebben