Università degli Studi di Perugia

Prova Orale

Modulo 1 - Ottimizzazione e controllo ottimo (8 ore)
Programmazione dinamica ed ottimizzazione vincolata. Principio del massimo, calcolo variazionale. Funzione Lagrangiana e moltiplicatori di Lagrange. Controllo ottimo lineare quadratico. Proprietà di robustezza.

Modulo 2 - Stima e filtraggio ottimi (24 ore)
Richiami sui processi aleatori. Filtro di Kalman a tempo continuo e a tempo discreto. Controllo ottimo lineare quadratico gaussiano. Il principio di separazione. Esempi ed applicazioni.
Il problema della fusione sensoriale e la soluzione a "la Kalman"

Modulo 3 - Metodi Bayesiani e Robotica Probabilistica (40 ore)
Stima Ricorsiva dello Stato. Extended Kalman
Filter, Unscented Kalman Filter, Particle Filter. Esempi ed applicazioni nell'ambito della Robotica Mobile. Localizzazione e mappatura simultanee (SLAM).

Ottimizzazione e controllo ottimo, Stima e filtraggio ottimi, Metodi Bayesiani, Robotica Probabilistica

Lezioni frontali

Dispense e materiale a cura del docente.
B.D.O. Anderson and J.B. Moore, Optimal Control - Linear Quadratic Methods, Prentice Hall, 1989.
E. D. Sontag, Mathematical Control Theory - Deterministic Finite Dimensional Systems, Springer, 1998.
Sebastian Thrun, Wolfram Burgard and Dieter Fox, Probabilistic Robotics, MIT Press, 2005.

Alla fine del corso gli studenti avranno appreso gli strumenti per comprendere ed analizzare problemi avanzati di modellazione di processi lineari, gli strumenti per il controllo ottimo di sistemi lineari, per la stima di modelli lineari e non lineari e per la fusione sensoriale.

24/02/2014-31/05/2014.

2 lezioni da 3 ore alla settimana.

Facoltativa ma fortemente consigliata

Facoltà di Ingegneria, via Duranti, 93