Ziel der Vorlesung ist die Vermittlung von Methoden zur Objektverfolgung und Zustandsschätzung auf Basis von unsicheren Messdaten.

Die Vorlesung umfasst eine Einführung bzw. kurze Wiederholung der Grundlagen der Schätztheorie. Am Beispiel der einfachen Parameterschätzung werden die unterschiedlichen Philisophien, nämlich der Fisher-Ansatz für deterministische Parameter und Bayes Ansatz für stochastische Parameter eingeführt. Hierauf aufbauend erfolgt die Darstellung von Maximum Likelihood (ML) Schätzer und Maximum A Posteriori (MAP) Schätzer und ihreVerallgemeinerung in Richtung Least Square (LS) Schätzer sowie Minimum Mean Square Error (MMSE) Schätzer. Begriffe wie Erwartungstreue und Konstistenz der Schätzverfahren werden anhand von Beispielenerörtert.

Die rekursive Formulierung von Least-Square Schätzern führt dann direkt zur Schätzung von zeitvarianten Parametern wie Zustandsgrößen dynamischer Systeme aufgrund fehlerhafter Messungen. Hierbei steht die Anwendung der Verfolgung von Objekten aufgrund von fehlerbehafteten Messungen unterschiedlicher Art im Vordergrund. Bewährte Algorithmen wie Alpha-Beta-Tracker, Kalmanfilter und Extended Kalmanfilter werden ausführlich besprochen. Ferner werden Methoden zur Evaluierung und Bewertung der Güte dieser Trackingverfahren vorgestellt sowie eine Einführung in die dynamische Modellierung der verfolgten Objekte gegeben.

Der letzte Teil der Vorlesung befasst sich dann mit Partikelfiltern sowie den sogenannten Interacting-Multiple-Model Filtern, bei denen mehrere für unterschiedliche Bewegungszustände des beobachteten Objekts optimierte dynamische Modelle parallel ausgewertet und entsprechend des aktuellen Bewegungszustands des beobachteten Objekts gewichtet werden. Ferner wird eine Übersicht in moderne Multi-Objekttracking Verfahren unter Nutzung der Random Finite Sets gegeben.

Die Bereitstellung der Vorlesungsunterlagen erfolgt über Moodle, bitte melden Sie sich dort an.