Navegación Autónoma para Robots Voladores

Resumen

In recent years, flying robots such as miniature helicopters or quadrotors have received a large gain in popularity. Potential applications range from aerial filming over remote visual inspection of industrial sites to automatic 3D reconstruction of buildings.

Navigating a quadrotor manually requires a skilled pilot and constant concentration. Therefore, there is a strong scientific interest to develop solutions that enable quadrotors to fly autonomously and without constant human supervision.

This is a challenging research problem because the payload of a quadrotor is uttermost constrained and so both the quality of the onboard sensors and the available computing power is strongly limited. In this course, we will introduce the basic concepts for autonomous navigation for quadrotors.

The following topics will be covered:

3D geometry, probabilistic state estimation, visual odometry, SLAM, 3D mapping, linear control. In particular, you will learn how to infer the position of the quadrotor from its sensor readings and how to navigate it along a trajectory.

The course consists of a series of weekly lecture videos that we be interleaved by interactive quizzes and hands-on programming tasks. For the flight experiments, we provide a browser-based quadrotor simulator which requires the students to write small code snippets in Python.

This course is intended for undergraduate and graduate students in computer science, electrical engineering or mechanical engineering. This course has been offered by TUM for the first time in summer term 2014 on EdX with more than 20.000 registered students of which 1400 passed examination.

The MOOC is based on the previous TUM lecture “Visual Navigation for Flying Robots” which received the TUM TeachInf best lecture award in 2012 and 2013. FAQ Do I need to buy a textbook?

No, all required materials will be provided within the courseware. However, if you are interested, we recommend the following additional materials:

This course is based on the TUM lecture Visual Navigation for Flying Robots.

The course website contains lecture videos (from last year), additional exercises and the full syllabus:

http:

//vision.in.tum.de/teaching/ss2013/visnav2013 Probabilistic Robotics. Sebastian Thrun, Wolfram Burgard and Dieter Fox.

MIT Press, 2005. Computer Vision:

Algorithms and Applications.

Richard Szeliski. Springer, 2010.

Do I need to build/own a quadrotor? No, we provide a web-based quadrotor simulator that will allow you to test your solutions in simulation.

However, we took special care that the code you will be writing will be compatible with a real Parrot Ardrone quadrotor. So if you happen to have a Parrot Ardrone quadrotor, we encourage you to try out your solutions for real.

Programa

• **Introducción a la Navegación Autónoma**
Descripción general de los cuadricópteros y sus aplicaciones
Desafíos en la navegación autónoma de cuadricópteros
• **Fundamentos de la Geometría 3D**
Transformaciones de coordenadas 3D
Modelos de cámara y proyecciones
• **Estimación del Estado Probabilístico**
Introducción a la probabilidad y el filtrado bayesiano
Filtros de Kalman y extensiones (por ejemplo, EKF, UKF)
• **Odometría Visual**
Detección y emparejamiento de características
Estimación de posición a partir de datos visuales
• **Localización y Mapeo Simultáneos (SLAM)**
Fundamentos de SLAM
Técnicas de SLAM visual
• **Mapeo 3D**
Sensores de profundidad y procesamiento de nubes de puntos
Generación de mapas 3D a partir de datos de sensores
• **Control Lineal para Cuadricópteros**
Conceptos básicos de teoría de control
Controladores PID y dinámica de cuadricópteros
• **Implementaciones Prácticas y Experimentos de Vuelo**
Descripción general del simulador de cuadricópteros
Tareas prácticas de programación en Python
Transición de soluciones desde la simulación a aplicaciones en el mundo real
• **Componentes de Aprendizaje Interactivo**
Videos de conferencias semanales
Cuestionarios interactivos para la comprensión
Tareas de programación paso a paso para conocimiento práctico
• **Recursos del Curso y Materiales Adicionales**
Acceso a videos de conferencias y ejercicios
Textos recomendados para un entendimiento más profundo
• **Evaluación y Certificación**
Evaluación del desempeño a través de cuestionarios y tareas de programación
Certificados otorgados a estudiantes que aprueben exitosamente el curso
• **Preguntas Frecuentes e Información Adicional**
Logística del curso y expectativas
Oportunidades adicionales para el aprendizaje y la aplicación en el mundo real

---

Impartido por

Jürgen Sturm, Daniel Cremers and Christian Kerl

---

Materias

Artificial Intelligence