PERCEPCIÓN AVANZADA MASTER EN Automática, Robótica y Telemática
|
|
- Francisco Cristóbal Figueroa de la Fuente
- hace 6 años
- Vistas:
Transcripción
1 PERCEPCIÓN AVANZADA MASTER EN Automática Robótica y Telemática Introducción a la Percepción Cooperativa Dr. J. RAMIRO MARTINEZ DE DIOS /5
2 Introducción a la Percepción Cooperativa Introducción Filtros Bayesianos Filtro de Kalman Filtro de Información Filtro de partículas 2/5
3 Percepción Cooperativa Objetivos: Explotar las sinergias entre entidades que cooperan con un objetivo común Se sirve de métodos de fusión sensorial (lección anterior) Consideraciones: Asociación: determinar si datos de dos o más sensores provienen del mismo fenómeno Filtrado de datos: evitar datos contradictorios Carga computacional: velocidad de repuesta necesaria 3/5
4 Percepción Cooperativa en Entornos Multirrobot Detección y localiación cooperativa Monitoriación cooperativa Robots heterogéneos Plataformas: varios UAVs o robots terrestres Sensores 4/5
5 Percepción Cooperativa en Entornos Multirrobot Misión general: ) Vigilancia y detección 2) Confirmación 3) Monitoriación Vigilancia y detección Área se divide dependiendo de características de UAVs y sus sensores Cada UAV recorre su área buscando aplicando técnicas de detección 5/5
6 Percepción Cooperativa en Entornos Multirrobot Demostración del sistema para la detección de fuegos Sensores: cámara IR cámara visual sensor de fuego Vigilancia y detección /5
7 Percepción Cooperativa en Entornos Multirrobot Confirmación Probability Longitud Latitud Altura Posición real del fuego Posición estimada (fusión) Desviación estándar estimada /5
8 Introducción a la Percepción Cooperativa Introducción Filtros Bayesianos Filtro de Kalman Filtro de Información Filtro de partículas 8/5
9 Filtros Bayesianos Fusión sensorial para estimación Determinar un valor desconocido a partir de observaciones Cantidad desconocida: estado de un sistema dinámico: x Observaciones o medidas Incertidumbre modelos probabilísticos 9/5
10 Filtros Bayesianos Modelo de un sistema (o proceso) dinámico x = f ( x u v ) Caso lineal: x = A x + B u + G + + x : vector de estados del sistema en el instante Estado es completo: contiene toda la información sobre el pasado del sistema que es útil para predecir su fututo (Hipótesis de Marov) w : incertidumbre del modelo (desconocido modelo probabilista) Perturbaciones sobre el sistema Imperfecciones en el modelo w /5
11 Filtros Bayesianos Modelo de medida = h ( x ) + r Caso lineal: : vector de medidas en el instante r : ruido de medida (desconocido modelo probabilista) Inexactitud de la observación Imperfecciones del modelo de medida = C x + r /5
12 2/5 Filtros iterativos de Bayes La estimación del estado en el instante se obtiene a partir de la estimación en el instante - y la nueva observación: Se basa en aplicar el Teorema de Bayes: )) ( ) ( ( ) ( x p Z x p f Z x p = ) ( ) ( ) ( ) ( = Z p Z x p x p Z x p ) ( ) ( ) ( Z x p x p Z x p Estimación para función de verosimilitud relaciona la observación actual con el estado Estimación para - Filtros Bayesianos
13 Introducción a la Percepción Cooperativa Introducción Filtros Bayesianos Filtro de Kalman Filtro de Información Filtro de partículas 3/5
14 Filtro de Kalman Filtros iterativos de Bayes. Filtro de Kalman Sistema dinámico lineal pero no necesariamente TI: + Ruidos blancos e independientes: x = A x + B u + G = C x + r w E [ w ] E[ r ] = i = i E [ ] T wi w i = Q [ ] T E ri r i = R [ ] T E r i w i = Ruidos Gaussianos Teorema central del límite N( Q) r i N( R) w i 4/5
15 Filtro de Kalman Fases: Predicción: predice estado del sistema Modelo de predicción Actualiación: compara predicción con medidas y corrige Modelo de observación Predicción Actualiación Filtro medidas y En cada paso estima: - - x / P / 5/5
16 Filtro de Kalman Fase de predicción: x = A x + + / / B u Predicción del estado Fase de actualiación T P + / = A P / A + Q [ y Cx ] x + / + = x + / + L / P + / + = P + / L + C P + / L [ ] T C P C T + P + / C + / + = R Matri de covariana de la estimación del estado Corrección de la estimación del estado futuro Ganancia del filtro de Kalman 6/5
17 Filtro de Kalman Extendido Modelos no lineales: Filtro de Kalman extendido (EKF) Modelos no lineales: linealiar x = Ax + Bu + + y = Cx + r Resto queda igual w ( ) x F x u w = + + ( ) y = G x + r F o G son no lineales A = F x u ( ( )) x B = F x u C ( ( )) u = x ( G ( x )) 7/5
18 Fusión sensorial mediante Filtro de Kalman con diagnosis de sensores Vista lateral B Vista lateral A Vista aérea Vista frontal 8/5
19 Fusión sensorial mediante Filtro de Kalman con diagnosis de sensores Enfoque: Fusionar las medidas para mejorar estimación Método: Filtro de Kalman Modelo lineal de propagación de incendio Ruidos Gaussianos Ventajas: Implantación sencilla Carga computacional asequible tiempo real Desventajas: Modelo lineal 9/5
20 Fusión sensorial mediante Filtro de Kalman con diagnosis de sensores Esquema: medidas FK Estimación estado Predicción Diagnóstico j (FK) Actualiación Asociación Funciones del filtro de Kalman: Diagnosis de sensores Fusión sensorial Se integran las medidas cuyo sensor ha sido diagnosticado como correcto 2/5
21 Fusión sensorial mediante Filtro de Kalman con diagnosis de sensores Vector de estados x = [ y h ancho vel y h ancho ] N N N veln Sentido de avance Posición del frente en el instante Altura de llamas en el corte Ancho del frente en el corte Velocidad local del frente (x j y j h j ancho j ) Un único vector de estados para representar todo el frente en un instante 2/5
22 22/5 Modelo del proceso - Modelo lineal en cada punto - Posición evoluciona con velocidad constante - Altura de llamas y ancho constante - Matricialmente Fusión sensorial mediante Filtro de Kalman con diagnosis de sensores w Ax x + = + = A x C y = = C + = + = + = + = w vel vel w ancho ancho w h h vel y y Otros efectos topografía vegetación
23 Fusión sensorial mediante Filtro de Kalman con diagnosis de sensores - N sensores que observan el frente - Modelo de observación: i i i i i i = C x r T E r r = R y + - Fase de actualiación + i i i x / + = x+ / + L + y+ C x+ / i S Solo se consideran sensores válidos Diagnosis de sensores 23/5
24 Fusión sensorial mediante Filtro de Kalman con diagnosis de sensores Diagnosis de sensores - Errores del sensor: e.g. humo oculta imágenes visuales - Ruptura súbita de la tendencia: en un solo intervalo de tiempo - Este tipo de rupturas no puede estar originado por fenómeno físico - El fuego no se apaga con tanta rapide - No se trata de ruido Gaussiano - Incumple hipótesis del FK - Será muy fácil de detectar con FK - Objetivo: identificar rupturas súbitas de tendencias mediante FK Experimento de campo /
25 25/5 Diagnosis de sensores Considera los cortes con cada recta de la malla observado por el sensor i El vector de estados es: Supongamos proceso con modelo lineal: Fusión sensorial mediante Filtro de Kalman con diagnosis de sensores [ ] T i i i i ancho h y y = [ ] T vel ancho h y x = w Ax x + = + = A i x C m = = C A efectos de diagnosis cada punto es independiente + = + = + = + = w vel vel w ancho ancho w h h vel y y (x j y j h j ancho j )
26 Fusión sensorial mediante Filtro de Kalman con diagnosis de sensores Errores en el sensor originan errores de predicción altos: e y+ C x +/ = 9 89 Experimento de campo 5 e Umbral depende del ruido del sensor: T = max(r) =.96 Se toman 95% de puntos 26/5
27 Fusión sensorial mediante Filtro de Kalman con diagnosis de sensores 27/5
28 58 56 Fusión sensorial mediante Filtro de Kalman con diagnosis de sensores Vista aérea Fire front shape G52 Aerial Se pierden datos Fire front shape G52 Aerial Vista frontal X Fire front shape G52 Aerial Y Y Y Frentes interpolados X Vista IR X Fusión con KF con diagnosis 28/5
29 Introducción a la Percepción Cooperativa Introducción Filtros Bayesianos Filtro de Kalman Filtro de Información Filtro de partículas 29/5
30 Filtro de Información Versión dual del Filtro de Kalman Supone incertidumbre Gaussina La principal diferencia es la parametriación: FK: representación de probabilidad IF: representación canónica Parametriación canónica (IF): Ω = Σ - (matri de información) ξ = Σ - * µ (vector de información) Representación de probabilidad (KF): p(x) = η * exp{ -/2*xT*Ω*x xt*ξ } 3/5
31 Filtro de Información Filtro de Información( ξ(t-) Ω(t-) u(t)(t) ) Ω(t)' = (A(t)*Ω(t-) - *A(t) + R(t)) - ξ(t)' = Ω(t)'*(A(t)*Ω(t-) - *ξ(t-) + B(t)*u(t)) Ω(t) = C(t)'*Q(t) - *C(t) + Ω(t)' ξ(t) = C(t)'*Q(t) - *(t)+ ξ(t)' Return ξ(t) & Ω(t); actualiación predicción Complejidad computacional: Predicción: KF es poco costoso IF es costoso Actualiación: KF es costoso IF es poco costoso 3/5
32 Filtro de Información Ventajas del IF frente al FK: Permite modelar la incertidumbre total: Ω = IF es numéricamente más estable IF permite integrar información de forma directa sin necesidad de convertirla a probabilidades Menos carga computacional que el FK al aumentar el número de medidas Desventajas: Más carga computacional en la actualiación Kalman filter es más conocido EIF: Filtro de Información Extendido: modelo no lineal KF e IF requieren modelos de ruido Gaussiano 32/5
33 Introducción a la Percepción Cooperativa Introducción Filtros Bayesianos Filtro de Kalman Filtro de Información Filtro de partículas 33/5
34 Filtro de partículas Limitaciones del FK y IF: Emplean modelos paramétricos lineales o no lineales Ruido Gaussiano Es un sistema mono-hipótesis: sola gaussiana Filtro de partículas: aproxima FDP por sus partículas Es no paramétrico: Admite cualquier modelo y cualquier tipo de ruido Permite modelar multi-hipótesis 34/5
35 Filtro de partículas Representa la Función de Densidad de Probabilidad por un conjunto suficientemente grade de partículas con pesos Particle Filter Each with weight /N N = Nr. Of particles 35/5
36 Filtro de partículas En cada iteración aplica el filtro Bayesiano sobre cada partícula aumentando el peso de las partículas más probables 36/5
37 Filtro de partículas Se permite la creación y eliminación de partículas Paso Importance sampling : Se escoge un nuevo conjunto de partículas a partir del conjunto existente Se utilia el peso para dicha elección. Partículas con peso mayor tienen más probabilidad de ser escogidas Las partículas con peso menor tienden a desaparecer El peso de las partículas del nuevo conjunto se ponen todos iguales. Es computacionalmente pesado. Se hace con cierta frecuencia no en cada paso Cuando el conjunto contiene pocas partículas efectivas 37/5
38 Filtro de partículas Obtención de nuevas partículas Actualiación de pesos Resampling 38/5
39 Filtro de partículas One Cycle of the basic algorithm 39/5
40 Filtro de partículas One Cycle of the basic algorithm 4/5
41 Filtro de partículas No requiere hipótesis de sistema lineal ó Gaussiano Conduce a una proximación de la FDP completa No obtiene estado sino la FDP completa. Es necesario obtener estado de la FDP La versión básica es muy sencilla de implantar: modularidad 4/5
42 Planificación de trayectorias de UAVs Vuelo de UAV afectado por perturbaciones Objetivo: generar maypoints intermedios para asegurar: Probabilidad de pasar por onas de paso >PwMIN Probabilidad de pasar por onas prohibidas <PfMAX Entradas: conjunto de onas de paso y onas prohibidas Salida: conjunto de waypoints de la trayectoria 42/5
43 Filtros de partículas para planificación de trayectorias de UAVs 43/5
44 Simulación de trayectorias de UAV Simulación de trayectorias de UAV mediante Filtros de partículas Particle Filters - Modelos de complejidad arbitraria - ruido no-gaussian - Esquemas multihipótesis - Modelo de un UAV en B.C. - Modelo de viento 44/5
45 Experimentos Trajectory simulation Way-one WZ WZ 2 WZ 3 WZ 4 WZ 5 WZ 6 WZ 7 WZ 8 WZ 9 WZ WZ P wi (%) /5
46 Experimentos reales Real experiments - Bollullos (Sevilla Spain) 28 and XBow Mica2 with MTS4 sensorboards 46/5
47 Experimentos reales Experiment : Waypoints are cluster centroids (no intermediate waypoints) Error=28 m Error=25 m Intermediate waypoints are required 47/5
48 Experimentos reales Experiment 2: Proposed method UAV passed by wayones with Prob.>95% Way-one WZ WZ 2 WZ 3 WZ 4 P wi (%) UAV received 98% of the messages Received messages 48/5
49 PERCEPCIÓN AVANZADA MASTER EN Automática Robótica y Telemática Introducción a la Percepción Cooperativa Dr. J. RAMIRO MARTINEZ DE DIOS 49/5
PERCEPCIÓN AVANZADA MASTER EN Automática, Robótica y Telemática
PERCEPCIÓN AVANZADA MASTER EN Automática, Robótica y Telemática Fusión Sensorial Dr. J. RAMIRO MARTINEZ DE DIOS 1/60 Fusión Sensorial Introducción Clasificación El problema de la asociación de datos Fusión
Más detallesLOCALIZACIÓN Y MAPEO SIMULTÁNEO EN TIEMPO REAL, EMPLEANDO UNA CÁMARA MONOCULAR
LOCALIZACIÓN Y MAPEO SIMULTÁNEO EN TIEMPO REAL, EMPLEANDO UNA CÁMARA MONOCULAR Presentado por: Ing. ANDRES ALEJANDRO DIAZ TORO Director: Dr. Eduardo Caicedo Bravo Asesor: Dra. Lina María Paz GRUPO DE INVESTIGACION
Más detallesLocalización. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides
M.Sc. Kryscia Ramírez Benavides Problemas de Navegación de los Robots Dónde estoy?. Dónde he estado? Mapa de decisiones. A dónde voy? Planificación de misiones. Cuál es la mejor manera de llegar? Planificación
Más detallesSeguimiento i de objetos
IV Seminario de Inteligencia Artificial y Robótica Seguimiento i de objetos con Filtros de Partículas Franco Grassano sanno89@gmail.com Maximiliano Marufo Da Silva Alejandro Gastón Alvarez Ignacio Bertacchini
Más detallesPFC: Localización de robots mediante filtro de Kalman
6.- FILTRO DE KALMAN 6.1.- MOTIVACIÓN Los sistemas de navegación se han convertido en un estándar, ya que se venden más y más, sobre todo con los coches nuevos. La mayoría de estos sistemas de navegación
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que razonan bajo incertidumbre Introducción Repaso de probabilidad
Más detallesTABLA DE CONTENIDO. TABLA DE CONTENIDO...ii ÍNDICE DE FIGURAS... iv ÍNDICE DE TABLAS... v CAPITULO INTRODUCCIÓN MOTIVACIÓN...
TABLA DE CONTENIDO RESUMEN... i TABLA DE CONTENIDO...ii ÍNDICE DE FIGURAS... iv ÍNDICE DE TABLAS... v LISTA DE ACRÓNIMOS... 1 CAPITULO 1... 2 INTRODUCCIÓN... 2 1.1. MOTIVACIÓN... 2 1.2. ALCANCES... 3 1.3.
Más detallesSistemas de localización
Sistemas de localización Ponente: D. Manuel Ocaña Miguel Trabajo realizado por: Víctor Caballero Narro NIF: 09039892H Ingeniería de Telecomunicación Universidad de Alcalá de Henares Qué es la localización?
Más detallesFiltrado e identificación de parámetros mediante métodos bayesianos
Filtrado e identificación de parámetros mediante métodos bayesianos Guillermo La Mura a, Eduardo Serrano b,d, Ricardo Sirne c a Escuela de Ciencia y Tecnología - UNSAM b Centro de Matemática Aplicada -
Más detallesSistemas de Reconocimiento de Patrones
Sistemas de Reconocimiento de Patrones p. 1/33 Sistemas de Reconocimiento de Patrones Luis Vázquez GTI - IIE Facultad de Ingeniería Universidad de la República Sistemas de Reconocimiento de Patrones p.
Más detallesMapeo. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides
M.Sc. Kryscia Ramírez Benavides Problemas de Navegación de los Robots Dónde estoy? Localización. Dónde he estado? Mapa de decisiones. A dónde voy? Planificación de misiones. Cuál es la mejor manera de
Más detallesIdentificación Paramétrica
Identificación Paramétrica Métodos para la Obtención de un Modelo Discreto Un modelo, incluyendo el ruido o perturbación, a tiempo discreto puede ser representado por la siguiente i ecuación Donde: ( )
Más detallesMejora de algoritmo de planificación de trayectorias para recolección de datos en una WSN
Capítulo 6 Mejora de algoritmo de planificación de trayectorias para recolección de datos en una WSN En esta sección estudiaremos la aplicación desarrollada en [16], en la que el filtro de partículas se
Más detallesTema 2. Introducción a la Estadística Bayesiana
2-1 Tema 2 Introducción a la Estadística Bayesiana El teorema de Bayes Ejemplo Interpretación Ejemplo: influencia de la distribución a priori Ejemplo: densidad de flujo Probabilidad bayesiana Ejemplo:
Más detallesIntroducción a la Identificación de sistemas
Ingeniería de Control Introducción a la Identificación de sistemas Daniel Rodríguez Ramírez Teodoro Alamo Cantarero Contextualización del tema Conocimientos que se adquieren en este tema: Modelos deterministas
Más detallesEstimación de la evolución de proyectos en el ámbito de la producción industrial mediante la parametrización de la curva S del coste acumulado
Estimación de la evolución de proyectos en el ámbito de la producción industrial mediante la parametrización de la curva S del coste acumulado Contenido Qué vamos a ver? Introducción Antecedentes Objetivos
Más detallesAPRENDIZAJE PROBABILÍSTICO NAIVE BAYES
1 APRENDIZAJE PROBABILÍSTICO NAIVE BAYES Bases de Datos Masivas 9 de Noviembre de 2016 2 Razonamiento Probabilístico Es una herramienta de aprendizaje estadístico. Se trata de razonar en un contexto incierto;
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en color INTRODUCCIÓN La segmentación de imágenes a color se puede realizar mediante técnicas de clasificación supervisada.
Más detallesTema 3: Estimación estadística de modelos probabilistas. (primera parte)
Tema 3: Estimación estadística de modelos probabilistas. (primera parte) Estructura de este tema: 1. 2 Estimación por intervalos de confianza. 3 Contrastes de hipótesis. Planteamiento del problema Inconveniente:
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detallesx^new = x^old + K(b new A new x^old )
El Filtro de Kalman: La idea fundamental del filtro de Kalman es la actualización La llegada de una nueva observación supone un cambio en la mejor estimación mínimo cuatrática del parámetro x Se desea
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesVision para robotica movil (2): localizacion basada landmarks
Vision para robotica movil (2): localizacion basada landmarks Dr. J.B. Hayet CENTRO DE INVESTIGACION EN MATEMATICAS Octubre 2007 J.B. Hayet Vision robotica Octubre 2007 1 / 55 Outline 1 Localizacion basada
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesControl Moderno: El espacio de estados
Lección 3 Control Moderno: El espacio de estados 1 Estados: Definición y ejemplo Estados: variables internas que describen la evolución del sistema. El conocimiento de estas variables en t = t 0 junto
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesIdentificación mediante el método de los mínimos cuadrados
Ingeniería de Control Identificación mediante el método de los mínimos cuadrados Daniel Rodríguez Ramírez Teodoro Alamo Cantarero Contextualización del tema Conocimientos relevantes aprendidos previamente:
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesSEMILLERO EN AUTOMÁTICA
SEMILLERO EN AUTOMÁTICA Sesión 07: Continuación Los Modelos en Ingeniería M.Sc, Ing. Jhon Alexander Isaza Hurtado jhonisaza@itm.edu.co 24 de Septiembre de 2012 Objetos y Modelos Modelo de Negocios Canvas
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detalles4 IDENTIFICACIÓN DE MODELOS LINEALES DE LA PLANTA SOLAR
4 IDENTIFICACIÓN DE MODELOS LINEALES DE LA PLANTA SOLAR Los sistemas de E/S quedan determinados por su función de transferencia, que puede expresarse como una función temporal (respuesta impulsional) o
Más detallesRedes bayesianas temporales para reconocimiento de escenarios
Redes bayesianas temporales para reconocimiento de escenarios Ahmed Ziani and Cina Motamed Visión de Alto Nivel Dr. Enrique Sucar Irvin Hussein López Nava Junio 2009 Introducción (1) Objetivo: aplicaciones
Más detallesPERCEPCIÓN IR / VISUAL
VISIÓN POR COMPUTADOR MASTER EN Automática, Robótica y Telemática PERCEPCIÓN IR / VISUAL Dr. J. RAMIRO MARTINEZ DE DIOS Percepción IR/Visual Principios de percepción IR Aplicaciones Correspondencia de
Más detallesLicenciatura en Electrónica y Computación: Métodos Numéricos
Licenciatura en Electrónica Computación: Métodos Numéricos METODO DE EULER Este método se aplica para encontrar la solución a ecuaciones dierenciales ordinarias (EDO), esto es, cuando la unción involucra
Más detallesModulación y Detección en Canales Gaussianos
2 de noviembre de 2009 Índice Modelo de Comunicaciones Digitales 1 Modelo de Comunicaciones Digitales 2 3 4 5 6 7 Modelo General Info. Formato (e.g. A/D) Codif. Fuente Encriptado Codif. Canal Modulador
Más detallesMÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Teoría
Más detallesEscuela de Electrónica Carreras de Licenciatura en Ing. Electrónica y Licenciatura en Ing. Mecatrónica
Programa del curso EL-5409 Laboratorio de Control Automático Escuela de Electrónica Carreras de Licenciatura en Ing. Electrónica y Licenciatura en Ing. Mecatrónica [Última revisión de la plantilla: 05
Más detallesAnálisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Reconocimiento de patrones (RP): clasificar objetos en un número de categorías o clases.
Más detallesTrabajo Fin de Grado Grado en Ingeniería Electrónica, Robótica y Mecatrónica
Trabajo Fin de Grado Grado en Ingeniería Electrónica, Robótica y Mecatrónica Algoritmos de localización de robots móviles empleando filtros estadísticos Autor: Manuel Jiménez Través Tutor: José Ramiro
Más detallesLocalización basada en filtros de partículas
Capítulo 5 Localización basada en filtros de partículas La formulación bayesiana del problema de localización global choca con un problema fundamental: cómo representar la función de probabilidad a posteriori?.
Más detallesESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido
Más detallesCurso de Manejo del Fuego Patagonia, Argentina, abril 2008
Curso de Manejo del Fuego Patagonia, Argentina, abril 2008 Federico Grillo Analista de Incendios Ingeniero Técnico Forestal Master en Gestión de Fuegos Forestales (UdL) Unidad de Fuegos Forestales Univ.de
Más detalles1. Diseño Óptimo en Función de Transferencia. 1. Diseño Óptimo en Función de Transferencia 1
. Diseño Óptimo en Función de Transferencia. Diseño Óptimo en Función de Transferencia.. Planteo del Problema.. Criterio de Optimización 3.. Predicción Óptima 4... Forma intuitiva 5... Caso General 5..3.
Más detallesEn ciencias e ingeniería (experimentales) es imprescindible realizar mediciones, que consisten en obtener
ERRORES DE MEDICION Y SU PROPAGACION En ciencias e ingeniería (experimentales) es imprescindible realizar mediciones, que consisten en obtener la magnitud fisica de algun atributo de objetos ( proceso,
Más detallesTema 6: Introducción a la Inferencia Bayesiana
Tema 6: Introducción a la Inferencia Bayesiana Conchi Ausín Departamento de Estadística Universidad Carlos III de Madrid concepcion.ausin@uc3m.es CESGA, Noviembre 2012 Contenidos 1. Elementos básicos de
Más detallesLA PREDICCIÓN DE LA DEMANDA EN EVALUACIÓN DE PROYECTOS
Seminario sobre evaluación económica de proyectos de transporte Madrid, 15 y 16 de noviembre LA PREDICCIÓN DE LA DEMANDA EN EVALUACIÓN DE PROYECTOS La predicción de la demanda en evaluación de proyectos
Más detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Más detallesTema 1.- Introducción a la Visión Artificial
Tema 1.- Introducción a la Visión Artificial Visión Artificial Avanzada Prof. Dr. Nicolás Luis Fernández García Departamento de Informática y Análisis Numérico Escuela Politécnica Superior Universidad
Más detallesProbabilidad y Estadística Descripción de Datos
Descripción de Datos Arturo Vega González a.vega@ugto.mx Division de Ciencias e Ingenierías Universidad de Guanajuato Campus León Universidad de Guanajuato, DCI, Campus León 1 / 28 Contenido 1 Probabilidad
Más detallesSistemas de Ecuaciones. Lineales I
Sistemas de Ecuaciones Lineales I Preliminares: Expresión matricial. Dificultades numéricas. 521230-1 - DIM Universidad de Concepción Expresión matricial Todo sistema de ecuaciones lineales puede escribirse
Más detallesLA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN
LA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN Miguel Ángel Negrín; Christian González; Jaime Pinilla; Francisco-José Vázquez-Polo
Más detalles07 Estimación puntual e introducción a la estadística inferencial
07 Estimación puntual e introducción a la estadística inferencial Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1 Contenido Qué es la estadística inferencial?
Más detallesCálculo numérico. Sistemas de ecuaciones lineales.
José Luis Morales http://allman.rhon.itam.mx/ jmorales Departamento de Matemáticas. ITAM. 2010. Las raíces de x 2 bx + c = 0. r = b ± b 2 4c 2 b = 3.6778, c = 0.0020798 r 1 = 3.67723441190... r 2 = 0.00056558809...
Más detallesEl Filtro de Partículas
El Filtro de Partículas José Antonio Camarena Ibarrola El Filtro de Partículas p.1/25 El Filtro de Partículas Método Monte Carlo (basado en muestreo) para inferir el estado de un sistema que evoluciona
Más detallesBases del filtro de Kalman
Bases del filtro de Kalman Rafael Molina Soriano Depto Ciencias de la Computación e IA Universidad de Granada Rafael Molina Bases del filtro de Kalman 1 Contenidos! Introducción.! El filtro de Kalman "
Más detalles1 CÁLCULO DE PROBABILIDADES
1 CÁLCULO DE PROBABILIDADES 1.1 EXPERIENCIAS ALEATORIAS. SUCESOS 1.1.1 Definiciones Experiencia aleatoria: experiencia o experimento cuyo resultado depende del azar. Suceso aleatorio: acontecimiento que
Más detallesPROYECTO DOCENTE ASIGNATURA: "Robótica Móvil y de Servicios"
PROYECTO DOCENTE ASIGNATURA: "Robótica Móvil y de Servicios" Grupo: Grp. de Clases teórico-prácticas de Robótica Móvil y de Servicios(990173) Titulacion: Máster Universitario en Ingeniería Electrónica,
Más detallesTema 6: Sistemas de navegación integrados. El filtro de Kalman.
Navegación Aérea Tema 6: Sistemas de navegación integrados. El filtro de Kalman. Fusión de sensores. Ejemplo: el canal vertical. INS-GPS Fusión de sensores. Una aeronave actual dispone de una gran diversidad
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Definición de una V.A.C. Definición de una V.A.C.
Más detallesEl estudio del movimiento de los cuerpos generalmente se divide en dos fases, por conveniencia: la cinemática y la dinámica.
Tema 1: Cinemática. Introducción. Describir el movimiento de objetos es una cuestión fundamental en la mecánica. Para describir el movimiento es necesario recurrir a una base de conceptos o ideas, sobre
Más detallesEl filtro de Kalman. José Antonio Camarena Ibarrola
El filtro de Kalman José Antonio Camarena Ibarrola Que es un Filtro de Kalman? Es un algoritmo recursivo óp?mo de procesamiento de datos Hay muchas formas de definir óp?mo El filtro de Kalman es óp?mo
Más detallesIntroducción a la Robótica Mecanismos para el control de un robot (5)
Introducción a la Robótica Mecanismos para el control de un robot (5) Dr Jose M. Carranza carranza@inaoep.mx Coordinación de Ciencias Computacionales, INAOE 3er. Torneo Mexicano de Robots Limpiadores:
Más detallesModelos Gráficos Probabilistas: Principios y Aplicaciones. L. Enrique Sucar INAOE
Modelos Gráficos Probabilistas: Principios y Aplicaciones L. Enrique Sucar INAOE Información General Página del curso: http://ccc.inaoep.mx/~esucar/clases-pgm/pgm.html Correo: esucar@inaoep.mx E. Sucar,
Más detallesUnidad 1. La Física y la Química como ciencias experimentales
Unidad 1. La Física y la Química como ciencias experimentales El método científico Magnitudes y unidades El Sistema Internacional de Unidades Notación científica Cifras significativas y factores de conversión
Más detallesINDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que Aprenden: Clasificador Bayesiano Clasificación Clasificador
Más detallesIntroducción a la Robótica Móvil
Introducción a la Robótica Móvil Segundo cuatrimestre de 2016 Departamento de Computación - FCEyN - UBA Teórica - clase 10 Sensado con LASER e IMU Sensado Qué sensores vimos hasta ahora? Sensor de contacto
Más detallesPROBLEMAS DE COMPATIBILIDAD ELECTROMAGNETICA EN BUQUES MILITARES LAS HERRAMIENTAS DE SIMULACION PREVIENEN DIFICULTADES
351 COMUNICACIONES PROBLEMAS DE COMPATIBILIDAD ELECTROMAGNETICA EN BUQUES MILITARES LAS HERRAMIENTAS DE SIMULACION PREVIENEN DIFICULTADES Por Norbert Linge Cuando mayor sea la cantidad de líneas de comunicaciones
Más detallesConclusiones y Resultados
Capítulo 6 Conclusiones y Resultados 6.1. Conclusiones Tras la realización de este proyecto se ha llegado a las siguientes conclusiones: La robótica es un elemento cada vez más presente en la vida cotidiana
Más detallesCap. Distribuciones de. probabilidad. discreta. Distribuciones de probabilidad. discreta Pearson Prentice Hall. All rights reserved
Cap 6 36 Distribuciones de Distribuciones de probabilidad discreta probabilidad discreta Variables aleatorias Una variable aleatoria (v.a.) es un número real asociado al resultado de un experimento aleatorio
Más detallesDinámica de paisajes-modelación
Dinámica de paisajes-modelación Ecología del Paisaje Básica Id: 001803 Juan C. Benavides La velocidad de cambio en los paisajes Ecosistemas naturales Paisajes afectados por el hombre La velocidad de cambio
Más detallesTSTC. Dpt. Teoría de la Señal, Telemática y Comunicaciones. Robótica Industrial. Universidad de Granada
Dpt. Teoría de la Señal, Telemática y Comunicaciones Robótica Industrial Universidad de Granada Tema 5: Análisis y Diseño de Sistemas de Control para Robots S.0 S.1 Introducción Sistemas Realimentados
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallespequeña reseña histórica antes de comenzar:
Ondas de Rossby pequeña reseña histórica antes de comenzar: Carl-Gustaf Arvid Rossby (1898-1957) meteorólogo estadounidense de origen sueco que explicó por primera vez los movimientos atmosféricos de
Más detallesIntroducción a la Robótica Mecanismos básicos: cinemática
Introducción a la Robótica Mecanismos básicos: cinemática Dr José Martínez Carranza carranza@inaoep.mx Coordinación de Ciencias Computacionales, INAOE Cinemática (1) La cinemática es una rama de la Física
Más detallesRobótica Ubicua en Entornos Urbanos
Robótica Ubicua en Entornos Urbanos Alberto Sanfeliu Instituto de Robótica (IRI) (CSIC-UPC) Universitat Politècnica de Catalunya 13 Septiembre, 2007, Workshop en Robótica (CEDI 07) http://www-iri.upc.es/groups/lrobots
Más detallesEconometría III Examen. 29 de Marzo de 2012
Econometría III Examen. 29 de Marzo de 2012 El examen consta de 20 preguntas de respuesta múltiple. El tiempo máximo es 1:10 minutos. nota: no se pueden hacer preguntas durante el examen a no ser que sean
Más detallesCálculo de probabilidad. Tema 3: Variables aleatorias continuas
Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice
Más detallesProcesamiento de voz - Reconocimiento de voz II
Procesamiento de voz - Reconocimiento de voz II Marc S. Reßl Roxana Saint-Nom 2009 Ingeniería Electrónica Instituto Tecnológico de Buenos Aires Reconocimiento de voz Las técnicas que vimos hasta ahora
Más detallesModelización de la dinámica de fluidos con autómatas celulares. Liliana Di Pietro INRA Avignon - France
Modelización de la dinámica de fluidos con autómatas celulares Liliana Di Pietro INRA Avignon - France Plan Introducción a los autómatas celulares Los gases en red: caso particular de autómata celular
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesUnidad 1: Espacio de Probabilidad
Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesMatemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis
Matemáticas 2.º Bachillerato Intervalos de confianza. Contraste de hipótesis Depto. Matemáticas IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José
Más detallesEstimación y predicción de la velocidad del viento mediante funciones ortogonales empíricas y modelos de volatilidad estacional
Estimación y predicción de la velocidad del viento mediante funciones ortogonales empíricas y modelos de volatilidad estacional Sergio Baena Mirabete M. Pilar Muñoz Departamento de Estadística e Investigación
Más detallesEl Movimiento Browniano en la modelización del par EUR/USD
MÁSTER UNIVERSITARIO EN DIRECCIÓN FINANCIERA Y FISCAL TESINA FIN DE MÁSTER El Movimiento Browniano en la modelización del par EUR/USD Autor: José Vicente González Cervera Directores: Dr. Juan Carlos Cortés
Más detallesRECOMENDACIÓN UIT-R P.1145 DATOS DE PROPAGACIÓN PARA EL SERVICIO MÓVIL TERRESTRE TERRENAL EN LAS BANDAS DE ONDAS MÉTRICAS Y DECIMÉTRICAS
Rec. UIT-R P.1145 1 RECOMENDACIÓN UIT-R P.1145 DATOS DE PROPAGACIÓN PARA EL SERVICIO MÓVIL TERRESTRE TERRENAL EN LAS BANDAS DE ONDAS MÉTRICAS Y DECIMÉTRICAS (Cuestión UIT-R 203/3) (1995) Rec. UIT-R P.1145
Más detallesCapítulo. Distribución de probabilidad normal. Pearson Prentice Hall. All rights reserved
Capítulo 37 Distribución de probabilidad normal 2010 Pearson Prentice Hall. All rights 2010 reserved Pearson Prentice Hall. All rights reserved La distribución de probabilidad uniforme Hasta ahora hemos
Más detallesMEDICIÓN DE PARÁMETROS DE INCENDIOS FORESTALES MEDIANTE PROCESAMIENTO DE IMÁGENES DE MULTIPLES CÁMARAS MONTADAS EN MEDIOS AÉREOS Y TERRESTRES
MEDICIÓN DE PARÁMETROS DE INCENDIOS FORESTALES MEDIANTE PROCESAMIENTO DE IMÁGENES DE MULTIPLES CÁMARAS MONTADAS EN MEDIOS AÉREOS Y TERRESTRES J. R. Martínez-de Dios, L. Merino, A. Ollero y B.C. Arrúe Grupo
Más detallesEstimación por intervalos
Capítulo 9 Estimación por intervalos 9.1. Introducción En este capítulo se desarrolla la estimación por intervalos donde el proceso de inferencia se realiza de la forma θ C, donde C = Cx) es un conjunto
Más detallesTrabajo Práctico n 2. Robotización de un Puente Grúa. Presentación. Restricciones. Curso 2011
Trabajo Práctico n 2 Robotización de un Puente Grúa Presentación Este problema consiste en desarrollar un sistema de control automático que permita robotizar la operación de un puente grúa para la carga
Más detallesINGENIERO DE TELECOMUNICACION Control por Computador (Examen 9-Septiembre-2009)
INGENIERO DE ELECOMUNICCION Control por Computador Eamen 9-Septiembre-009. puntos Se desea desarrollar un sistema de control por computador remoto donde el controlador se implementa en un computador distanciado
Más detallesBIOESTADISTICA ( ) Evaluación de pruebas diagnósticas. 1) Características del diseño en un estudio para evaluar pruebas diagnósticas.
Departamento de Estadística Universidad Carlos III de Madrid BIOESTADISTICA (55-10536) Evaluación de pruebas diagnósticas CONCEPTOS CLAVE 1) Características del diseño en un estudio para evaluar pruebas
Más detallesEstadísticas y distribuciones de muestreo
Estadísticas y distribuciones de muestreo D I A N A D E L P I L A R C O B O S D E L A N G E L 7/11/011 Estadísticas Una estadística es cualquier función de las observaciones en una muestra aleatoria que
Más detallesEstimación Bayesiana de g 0 usando el muestreo por distancias y su aplicación en las estimas de densidad de ungulados de montaña
Estimación Bayesiana de g 0 usando el muestreo por distancias y su aplicación en las estimas de densidad de ungulados de montaña J.F.G. Monteiro 1 R. Alpizar-Jara 1 E. Serrano 2,4 J.P. Crampe 3 J.M. Pérez
Más detallesAYUDANTÍA 2: RIESGO EN PROYECTOS
AYUDANTÍA 2: RIESGO EN PROYECTOS ICC2302 INGENIERÍA DE CONSTRUCCIÓN 1 2008 TEMARIO Estimación de Costos de Proyectos Estimación Preliminar Estimación Conceptual Estimación Detallada Estimación Definitiva
Más detallesSesión 2: Teoría de Probabilidad
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 2: Teoría de Probabilidad Considero que la probabilidad representa el estado de la mente con respecto a una afirmación, evento u otra cosa para
Más detallesBenemérita Universidad Autónoma de Puebla. Facultad de Ciencias de la Computación
Benemérita Universidad Autónoma de Puebla. Facultad de Ciencias de la Computación ANALISIS COMPARATIVO DEL DESEMPEÑO DE CUATRO FILTROS PREDICTIVOS APLICADOS AL SEGUIMIENTO VISUAL DE OBJETOS Tesis Profesional
Más detallesSistemas autónomos. Introducción a la teoría cualitativa.
Lección 4 Sistemas autónomos. Introducción a la teoría cualitativa. 4.1 Sistemas autónomos. Mapas de fase. En esta lección nos centraremos en el estudio de sistemas autónomos, es decir, aquellos que pueden
Más detalles