Probabilistic Fundamentals in Robotics
|
|
- Liliana Cavallaro
- 5 anni fa
- Visualizzazioni
Transcript
1 Probabilistic Fundamentals in Robotics Gaussian filters Basilio Bona DAUIN Politecnico di Torino June 2011 Course Outline Basic mathematical framework Probabilistic models of mobile robots Mobile robot localization problem Robotic mapping Probabilistic planning and control Reference textbook Thrun, Burgard, Fox, Probabilistic Robotics, MIT Press, robotics.org/ Basilio Bona June
2 Basic mathematical framework Recursive state estimation Basic concepts in probability Robot environment Bayes filters Gaussian filters (parametric filters) Kalman filter Extended Kalman Filter Unscented Kalman filter Information filter Nonparametric filters Histogram filter Particle filter Basilio Bona June Introduction Gaussian filters are a class of Bayes filters implementations for random variables ibl dfi defined din continuous spaces, with ih specific assumptions on probability distributions Beliefs are represented by multivariate normal distributions Basilio Bona June
3 Multivariate Gaussian distribution Covariance matrix Mean vector Basilio Bona June Examples Bi dimensional Gaussian with conditional probabilities Mixture of Gaussians Basilio Bona June
4 Covariance matrix Basilio Bona June Kalman filter (1) Kalman filter (KF) [Swerling: 1958, Kalman: 1960] applies to linear Gaussian systems KF computes the belief for continuous states governed by linear dynamic state equations Beliefs are expressed by normal distributions KF is not applicable to discrete or hybrid state space systems Basilio Bona June
5 Kalman filter (2) Normalization factor Basilio Bona June Kalman filter (3) Basilio Bona June
6 Kalman filter (4) Basilio Bona June Kalman filter algorithm (1) Prediction Kalman gain Innovation (residuals) covariance Update Basilio Bona June
7 Block diagram z t u t B t μ + t + C t zˆt + A t μt 1 D μt + K + t residuals Basilio Bona June Kalman filter algorithm (2) Visible layer Hidden layer t Basilio Bona June
8 Kalman filter example Initial state measurement update prediction measurement update Basilio Bona June From Kalman Filter to Extended Kalman Filter Kalman filter is based on linearity assumptions Gaussian random variables are expressed using only the means and covariance matrices of normal distributions Gaussian distributions are transformed into Gaussian distributions (linearity principle) KF is optimal KF is efficient Basilio Bona June
9 Linear transformation of Gaussians Gaussian into gaussian Basilio Bona June Extended Kalman Filter (EKF) When the linearity assumptions do not hold (as in robot motion models or orientation models) a closed form solution of the predicted belief does not exists Nonlinear state & measurement equations Extended Kalman Filter (EKF) approximates the nonlinear transformations with a linearized one Linearization is performed around the most likely value: i.e., the mean value Basilio Bona June
10 EKF Example Montecarlo generated distribution Transformed mean value Approximating mean value Approximating Gaussian Approximating Gaussian uses mean value and covariance of the Montecarlo generated distribution Basilio Bona June EKF Example Basilio Bona June
11 EKF Example Enlarged map Approximating Gaussian: the normal distribution is built using mean and covariance of the true nonlinear distributions Approximating Gaussian EKF Gaussian EKF Gaussian: the normal distribution is built using mean and covariance of the true nonlinear distributions Basilio Bona June EKF linearization Taylor expansion Depends only on the mean Basilio Bona June
12 EKF algorithm Basilio Bona June KF vs EKF Basilio Bona June
13 Features In robotics EKF is a very popular tool for state estimation It has the same time complexity of the KF Itis robust and simple Limitations: rarely state and measurement functions are linear, so it would be better to explicitly consider nonlinearities Goodness of linear approximation depends on Degree of uncertainty Degree of nonlinearity When using EKF, the uncertainty must be kept as small as possible Basilio Bona June Uncertainty sensitivity More uncertain More uncertain Less uncertain ti Less uncertain Basilio Bona June
14 Uncertainty sensitivity More uncertain Less uncertain Basilio Bona June Nonlinearity sensitivity More nonlinear More linear Basilio Bona June
15 Nonlinearity sensitivity More nonlinear More linear Basilio Bona June Example: EKF Localization within a sensor infrastructure Fixed sensors (deployed in known positions inside the environment) Mobile Robot can acquire odometric measurements and distance information from sensors in known positions True position of the mobile robot t=0 KF estimate (time zero) Basilio Bona June
16 Example: EKF Localization within a sensor infrastructure STEP 1: Acquire odometry t=0 Basilio Bona June Example: EKF Localization within a sensor infrastructure STEP 1: Acquire odometry Filter Prediction t=0 Basilio Bona June 2011 Luca Carlone Politecnico di Torino 32 16
17 Example: EKF Localization within a sensor infrastructure STEP 1: Acquire odometry Filter Prediction Acquire meas. t=0 Basilio Bona June 2011 Luca Carlone Politecnico di Torino 33 Example: EKF Localization within a sensor infrastructure STEP 1: Acquire odometry Filter Prediction Acquire meas. Filter Update t=0 Basilio Bona June 2011 Luca Carlone Politecnico di Torino 34 17
18 Example: EKF Localization within a sensor infrastructure STEP 1: Acquire odometry Filter Prediction Acquire meas. Filter Update STEP 2: Acquire odometry t=0 Basilio Bona June 2011 Luca Carlone Politecnico di Torino 35 Example: EKF Localization within a sensor infrastructure STEP 1: Acquire odometry Filter Prediction Acquire meas. Filter Update STEP 2: Acquire odometry Filter Prediction t=0 Basilio Bona June 2011 Luca Carlone Politecnico di Torino 36 18
19 Example: EKF Localization within a sensor infrastructure STEP 1: Acquire odometry Filter Prediction Acquire meas. Filter Update STEP 2: Acquire odometry Filter Prediction Acquire meas. t=0 Basilio Bona June 2011 Luca Carlone Politecnico di Torino 37 Example: EKF Localization within a sensor infrastructure t=0 STEP 1: Acquire odometry Filter Prediction Acquire meas. Filter Update STEP 2: Acquire odometry Filter Prediction Acquire meas. Filter Update Basilio Bona June 2011 Luca Carlone Politecnico di Torino 38 19
20 Example: EKF Localization within a sensor infrastructure STEP 1: Acquire odometry Filter Prediction Acquire meas. Filter Update STEP 2: Acquire odometry Filter Prediction Acquire meas. Filter Update t=0... Basilio Bona June 2011 Luca Carlone Politecnico di Torino 39 Unscented Kalman Filter (UKF) UKF performs a stochastic linearization based on a weighted statistical linear regression A deterministic sampling technique (the unscented transform) ) is used to pick a minimal set of sample points (sigma points) around the mean value of the normal pdf The sigma points are propagated through the nonlinear functions, and then used to compute the mean and covariance of the transformed distribution This approach removes the need to explicitly compute Jacobians, which for complex functions can be difficult to obtain produces a more accurate estimate of the posterior distribution Basilio Bona June
21 UKF Basilio Bona June UKF Basilio Bona June
22 UKF Basilio Bona June UKF Algorithm part a) Basilio Bona June
23 UKF Algorithm part b) Cross covariance Basilio Bona June EKF vs UKF Basilio Bona June
24 EKF vs UKF Basilio Bona June KF EKF UKF KF EKF UKF Basilio Bona June
25 Information filters Belief is represented by Gaussians Moments parameterization Canonical parameterization KF EKF UKF Duality IF EIF Mean Covariance Information vector Information matrix Basilio Bona June Multivariate normal distribution Basilio Bona June
26 Mahalanobis distance Mahalanobis distance Same Euclidean distance Same Mahalanobis distance Basilio Bona June IF algorithm Basilio Bona June
27 IF vs KF IF The prediction step requires two matrix inversion KF The prediction step is additive Measurements update is additive Measurements update requires matrix inversion Duality Basilio Bona June Extended Information Filter EIF It is similar to EKF and applies when state and measurement equations are nonlinear Jacobians G and H replace A, B and C Basilio Bona June
28 Practical considerations IF advantages over KF: Simpler initial uncertainty representation: set Ω = 0 Numerically more stable, in many but not all robotics applications Integrates information in a simpler way Is naturally fit for multirobot problems (decentralized data integration => Bayes rule => logarithmic form => addition of terms => arbitrary order) IF limitations: A state estimation is required (inversion of a matrix) Other matrix inversions are necessary (not required for EKF) Computationally inferior to EKF for high dimensional state spaces Basilio Bona June Final comments In many problems the interaction between state variable is local => structure on Ω => sparseness of Ω but not of Σ Information filters as graphs: sparse information matrix = sparse graph Such graphs are known as Gaussian Markov random fields Basilio Bona June
DAUIN Politecnico di Torino July 2010
Probabilistic Fundamentals in Robotics Basic Concepts in Probability Basilio Bona DAUIN Politecnico di Torino July 2010 Motivations Course Outline Basic mathematicalframework Probabilistic models of mobile
DettagliProbabilistic Fundamentals in Robotics. DAUIN Politecnico di Torino July 2010
Probabilistic Fundamentals in Robotics Probabilistic Models of Mobile Robots Robot Motion Basilio Bona DAUIN Politecnico di Torino July 2010 Course Outline Basic mathematical framework Probabilistic models
DettagliProbabilistic Fundamentals in Robotics
Probabilistic Fundamentals in Robotics Nonparametric Filters Basilio Bona DAUIN Politecnico di Torino June 2011 Course Outline Basic mathematical framework Probabilistic models of mobile robots Mobile
DettagliRobotics - Localization - Kalman Filter & Extensions. Matteo Pirotta
Robotics - Localization - Kalman Filter & Extensions Matteo Pirotta pirotta@elet.polimi.it Dipartimento di Elettronica, Informazione e Bioingegneria Politecnico di Milano 23 May 2013 Inspired from Simone
DettagliGraphs: Cycles. Tecniche di Programmazione A.A. 2012/2013
Graphs: Cycles Tecniche di Programmazione Summary Definitions Algorithms 2 Definitions Graphs: Cycles Cycle A cycle of a graph, sometimes also called a circuit, is a subset of the edge set of that forms
DettagliConstant Propagation. A More Complex Semilattice A Nondistributive Framework
Constant Propagation A More Complex Semilattice A Nondistributive Framework 1 The Point Instead of doing constant folding by RD s, we can maintain information about what constant, if any, a variable has
DettagliProbability Distributions T O P I C # 1
Probability Distributions ١ T O P I C # 1 Discrete Random Variable A discrete random variable is a variable that can assume only a countable number of values Many possible outcomes: number of complaints
DettagliProbabilistic Fundamentals in Robotics. DAUIN Politecnico di Torino July 2010
Probabilistic Fundamentals in Robotics Probabilistic Models of Mobile Robots Robot Perception Basilio Bona DAUIN Politecnico di Torino July 2010 Course Outline Basic mathematical framework Probabilistic
DettagliScheduling. Scheduler. Class 1 Class 2 Class 3 Class 4. Scheduler. Class 1 Class 2 Class 3 Class 4. Scheduler. Class 1 Class 2 Class 3 Class 4
Course of Multimedia Internet (Sub-course Reti Internet Multimediali ), AA 2010-2011 Prof. 4. Scheduling Pag. 1 Scheduling In other architectures, buffering and service occur on a per-flow basis That is,
DettagliLaboratorio di Apprendimento Automatico. Fabio Aiolli Università di Padova
Laboratorio di Apprendimento Automatico Fabio Aiolli Università di Padova Underfitting e Overfitting Complessità spazio ipotesi SVM: aumenta con kernel non lineari, RBF con maggiore pendenza, aumenta con
DettagliComunicazione non verbale: computazione affettiva
Comunicazione non verbale: computazione affettiva Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
DettagliSingular Value Decomposition Applications
Singular Value Decomposition Applications Prof. Mariolino De Cecco, Ing. Luca Baglivo 1 Department of Structural Mechanical Engineering, University of Trento Email: mariolino.dececco@ing.unitn.it The environment
DettagliECOLE POLYTECHNIQlE FEDERALE DE LAUSANNE
).> ECOLE POLYTECHNIQlE.>.> FEDERALE DE LAUSANNE case class : Int : Int : Boolean : String : String : Boolean : Boolean val = case class : Int : Boolean : Boolean : Boolean : Int val = val = val = =>
DettagliTesti del Syllabus. Docente LODI RIZZINI DARIO Matricola: Insegnamento: ROBOTICA. Anno regolamento: 2013 CFU:
Testi del Syllabus Docente LODI RIZZINI DARIO Matricola: 206099 Anno offerta: 2013/2014 Insegnamento: 07233 - ROBOTICA Corso di studio: 5015 - INGEGNERIA INFORMATICA Anno regolamento: 2013 CFU: 6 Settore:
DettagliFinite Model Theory / Descriptive Complexity: bin
, CMPSCI 601: Recall From Last Time Lecture 19 Finite Model Theory / Descriptive Compleity: Th: FO L DSPACE Fagin s Th: NP SO. bin is quantifier-free.!#"$&% ('*), 1 Space 0 1 ) % Time $ "$ $ $ "$ $.....
DettagliData Alignment and (Geo)Referencing (sometimes Registration process)
Data Alignment and (Geo)Referencing (sometimes Registration process) All data aquired from a scan position are refered to an intrinsic reference system (even if more than one scan has been performed) Data
DettagliProbabilistic Fundamentals in Robotics
Probabilistic Fundamentals in Robotics Robot Perception Basilio Bona DAUIN Politecnico di Torino June 2011 Course Outline Basic mathematical framework Probabilistic models of mobile robots Mobile robot
DettagliDiscrete-Continuous models using Genz s algorithm
Discrete-Continuous models using Genz s algorithm Cinzia Cirillo ccirillo@umd.edu University of Maryland June 24, 2016 C Cirillo (U of MD) Discrete-Continuous models using Genz s algorithm June 24, 2016
DettagliCollege Algebra. Logarithms: Denitions and Domains. Dr. Nguyen November 9, Department of Mathematics UK
College Algebra Logarithms: Denitions and Domains Dr. Nguyen nicholas.nguyen@uky.edu Department of Mathematics UK November 9, 2018 Agenda Logarithms and exponents Domains of logarithm functions Operations
DettagliResearch Collection. Statistical decisions based directly on the likelihood function. Doctoral Thesis. ETH Library. Author(s): Cattaneo, Marco E.G.V.
Research Collection Doctoral Thesis Statistical decisions based directly on the likelihood function Author(s): Cattaneo, Marco E.G.V. Publication Date: 2007 Permanent Link: https://doi.org/10.3929/ethz-a-005463829
DettagliEstratto dal Cap. 8 di: Statistics for Marketing and Consumer Research, M. Mazzocchi, ed. SAGE, 2008.
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano BIVARIATE AND MULTIPLE REGRESSION Estratto dal Cap. 8 di: Statistics for Marketing and Consumer Research, M. Mazzocchi,
DettagliQuadrature. Emma Perracchione. Corso di Calcolo Numerico per Ingegneria Meccanica - Matr. PARI (Univ. PD)
Emma Perracchione Corso di Calcolo Numerico per Ingegneria Meccanica - Matr. PARI (Univ. PD) Gli esercizi sono presi dal libro: S. De Marchi, D. Poggiali, Exercices of numerical calculus with solutions
DettagliRelative error analysis of matrix exponential approximations for numerical integration
Relative error analysis of matrix exponential approximations for numerical integration S. Maset Dipartimento di Matematica e Geoscienze Università di Trieste Due giorni di Algebra Lineare Numerica e Applicazioni
DettagliSVD - Application to rigid-motion estimation
SVD - Application to rigid-motion estimation Now we use SVD to estimate the rigid motion of the observer (usually the robot) with respect to a collection of markers acquired in the environment which must
DettagliWEB OF SCIENCE. COVERAGE: multidisciplinary TIME RANGE: DOCUMENT TYPES: articles, proceedings papers, books
WEB OF SCIENCE COVERAGE: multidisciplinary TIME RANGE: 1985- DOCUMENT TYPES: articles, proceedings papers, books WEB OF SCIENCE: SEARCH you can add one or more search field you can limit results to a specific
Dettaglinumber of successes, or a vector of length 2 giving the numbers of successes and failures, respectively.
Quesito 1. Under (the assumption of) simple Mendelian inheritance, a cross between plants of two particular genotypes produces progeny 1/4 of which are dwarf and 3/4 of which are giant, respectively. In
Dettagli6.6 ARIMA Model. Autoregressive Integrated Moving Average (ARIMA ) Model. ARIMA(p, d, q) Process
128 6.6 ARIMA Model Autoregressive Integrated Moving Average (ARIMA ) Model ARIMA(p, d, q) Process φ(l) d y t = θ(l)ɛ t, where d y t = d 1 (1 L)y t = d 1 y t d 1 y t 1 = (1 L) d y t for d = 1, 2,, and
DettagliCorso di Ottimizzazione MODELLI MATEMATICI PER IL PROBLEMA DELLO YIELD MANAGEMENT FERROVIARIO. G. Di Pillo, S. Lucidi, L. Palagi
Corso di Ottimizzazione MODELLI MATEMATICI PER IL PROBLEMA DELLO YIELD MANAGEMENT FERROVIARIO G. Di Pillo, S. Lucidi, L. Palagi in collaborazione con Datamat-Ingegneria dei Sistemi s.p.a. YIELD MANAGEMENT
DettagliThe simplest PLL structure is based on a phase detector, a low pass filter and a voltage controlled oscillator (VCO). This structure, widely used in
The simplest PLL structure is based on a phase detector, a low pass filter and a voltage controlled oscillator (VCO). This structure, widely used in hardware realizations, can be classified as a zero crossing
DettagliNeyman Construction. θ s true. pdf f (x θ) is known for each prospectiveθ generate x construct an int erval in DATA phase space.
Neyman Construction θ s true x s measured pdf f (x θ) is known for each prospectiveθ generate x construct an int erval in DATA phase space Interval = x h xl repeat for each θ f (x θ)dx = 68% 158!60 Figure
DettagliFisher Linear discriminant analysis (pag 228)
Fisher Linear discriminant analysis (pag 228) 1 Nell Analisi delle componenti proncipali PCA si trovano quelle componenti utili per la rappresentazione dei dati Tali componenti non sono utili a discriminare
DettagliIngegneria dei sistemi di Controllo
Dalmine, 22-02-2017 Dipartimento di Ingegneria Ingegneria dei sistemi di Controllo Università degli Studi di Bergamo Dipartimento di Ingegneria dell Informazione Ermidoro Michele About myself 25-10-1987
DettagliRobotica Probabilistica SLAM
Robotica Probabilistica SLAM Il problema SLAM Un robot esplora un ambiente sconosciuto e statico. Dato: Il controllo del robot Osservazione di features vicine Stima: Mappa delle features Percorso del robot
DettagliTesti del Syllabus. Resp. Did. STRACCI FABRIZIO Matricola:
Testi del Syllabus Resp. Did. STRACCI FABRIZIO Matricola: 006234 Docente STRACCI FABRIZIO Anno offerta: 2017/2018 Insegnamento: GP003917 - STATISTICA MEDICA Corso di studio: L056 - LOGOPEDIA (ABILITANTE
DettagliWhole genome SNPs comparison: SNPtree, NDtree, CSI Phylogeny and kmer-based analysis
Whole genome SNPs comparison: SNPtree, NDtree, CSI Phylogeny and kmer-based analysis Valeria Michelacci NGS course, June 2016 Webserver-based free pipelines available NCBI pipeline FDA GenomeTrakr CGE/DTU
DettagliPadè approximation, Smith predictor, Circle and Popov Criteria
,, Circle and Popov Criteria Daniele Carnevale Dipartimento di Ing. Civile ed Ing. Informatica (DICII), University of Rome Tor Vergata Corso di Controlli Automatici, A.A. 2015-2016 Testo del corso: Fondamenti
DettagliAmmissibilità di co.co.co. e AdR in H2020. Laura Fulci Dirigente Area Ricerca Politecnico di Torino
Ammissibilità di co.co.co. e AdR in H2020 Laura Fulci Dirigente Area Ricerca Politecnico di Torino Conclusione della vicenda Ott. 2015 Dic. 2015 Feb. 2016 Mar. 2016 Giu. 2016 Set. 2016 Apr. 2017 Pubblicata
DettagliTesti del Syllabus. Docente CAGNONI STEFANO Matricola: Insegnamento: LABORATORIO DI PROGRAMMAZIONE. Anno regolamento: 2013 CFU:
Testi del Syllabus Docente CAGNONI STEFANO Matricola: 005079 Anno offerta: 2013/2014 Insegnamento: 13917 - LABORATORIO DI PROGRAMMAZIONE Corso di studio: 3007 - INGEGNERIA CIVILE E AMBIENTALE Anno regolamento:
DettagliFiori di campo. Conoscere, riconoscere e osservare tutte le specie di fiori selvatici più note
Fiori di campo. Conoscere, riconoscere e osservare tutte le specie di fiori selvatici più note M. Teresa Della Beffa Click here if your download doesn"t start automatically Fiori di campo. Conoscere, riconoscere
Dettagli6.5 RNA Secondary Structure
6.5 RNA Secondary Structure Struttura di una biomolecola Biomolecola: DNA, RNA Struttura primaria: descrizione esatta della sua composizione atomica e dei legami presenti fra gli atomi Struttura secondaria:
DettagliReti Bayesiane e Metodi Markov Chain Monte Carlo
Reti Bayesiane e Metodi Markov Chain Monte Carlo Cristina Manfredotti Dipartimento di Informatica, Sistemistica e Comunicazione (D.I.S.Co.) Università degli Studi Milano Bicocca manfredotti@disco.unimib.it
DettagliNetwork. Marco Piastra. Laboratorio di Visione Artificiale Università degli Studi di Pavia. A Growing. Self-Organizing
A Growing Self-Organizing Network for Manifold Reconstruction Marco Piastra Laboratorio di Visione Artificiale Università degli Studi di Pavia Network for Manifold Reconstruction - 1 Restricted Delaunay
DettagliTesti del Syllabus. Docente LOCATELLI MARCO Matricola: Insegnamento: RICERCA OPERATIVA. Anno regolamento: 2013 CFU:
Testi del Syllabus Docente LOCATELLI MARCO Matricola: 006385 Anno offerta: 2013/2014 Insegnamento: 00884 - RICERCA OPERATIVA Corso di studio: 5015 - INGEGNERIA INFORMATICA Anno regolamento: 2013 CFU: 9
DettagliR.M.Dorizzi, Strumenti per interpretare gli esami di laboratorio? Forlì, 9 ottobre 2012
1 Half of what you are taught as medical students will in 10 years have been shown to be wrong. And the trouble is, none of your teachers know which half. Sydney Burwell, Dean Harvard Medical School 1935-1949
DettagliSerie di numeri di diverse origini. Marcata asimmetria in favore dei digits bassi nella prima cifra. Legge di Benford. Processi moltiplicativi
Serie di numeri di diverse origini Marcata asimmetria in favore dei digits bassi nella prima cifra Legge di Benford Processi moltiplicativi Primi 3 digits dei titoli di borsa: 60%,2 e 3 40% da 4 a 9 s
DettagliProbabilità e Statistica per l analisi di dati sperimentali. Modelli lineari I
Probabilità e Statistica per l analisi di dati sperimentali Modelli lineari I Sviluppo e gestione di Data Center per il calcolo scientifico ad alte prestazioni Master Progetto PRISMA, UniBA/INFN Alessio
DettagliLa questione dei Multiple Comparisons
La questione dei Multiple Comparisons Massimo Borelli May 7, 2014 Massimo Borelli () La questione dei Multiple Comparisons May 7, 2014 1 / 27 Contenuti 1 Un errore tanto grave quanto frequente 2 i vantaggi
DettagliScheda Allarmi Alarm Board MiniHi
Scheda Allarmi Alarm Board MiniHi Manuale Utente User Manual Italiano English cod. 272680 - rev. 18/04/02 ITALIANO INDIE 1. INTRODUZIONE...2 2. RIONOSIMENTO DEI LIVELLI DI TENSIONE DEL SEGNALE 0-10 VOLT...2
DettagliSingle-rate three-color marker (srtcm)
3. Markers Pag. 1 The Single Rate Three Color Marker (srtcm) can be used as component in a Diffserv traffic conditioner The srtcm meters a traffic stream and marks its packets according to three traffic
DettagliAccesso Mul*plo - modelli
Accesso Mul*plo - modelli Conceptual Model of Mul/ple Access A B C D Station A Station B Station C Station D Master Channel The Master does not know if and how many packets are present in each queue (i.e.,
DettagliISTI ISTI Pisa. Trasportare algoritmi di partizionamento di oggetti in ambito teoria dei concetti. Elvira Locuratolo & Jari Palomaki.
ISTI ISTI Pisa Tampere University of Technology / Pori Intension Extension Trasportare algoritmi di partizionamento di oggetti in ambito teoria dei concetti Elvira Locuratolo & Jari Palomaki Concept Theory
DettagliBlind Source Separation: Tradizioni e Prospettive. Informatica applicata alla musica, 12/04/2016
Blind Source Separation: Tradizioni e Prospettive Informatica applicata alla musica, 12/04/2016 Blind Source Separation Table of Contents Cosa è un MIX?! Introduzione e conoscenze di base Fondamenti di
DettagliNOTICE. Palladium Securities 1 S.A. Series 112 EUR 100,000,000 Fixed to Floating Rate Instruments due 2023 (with EUR
NOTICE Palladium Securities 1 S.A. Series 112 EUR 100,000,000 Fixed to Floating Rate Instruments due 2023 (with EUR 14,500,000 in principal amount outstanding) (the Instruments ) ISIN Code: XS0890631913
DettagliSelf-Calibration Hands-on CASA introduction
Self-Calibration Hands-on CASA introduction Adam North American ALMA Science Center Atacama Large Millimeter/submillimeter Array Expanded Very Large Array Robert C. Byrd Green Bank Telescope Very Long
DettagliMarkov Chain Monte Carlo Estimation and Diagnostics. Summary of Session Gibbs Sampling. Metropolis Hastings Sampling. Adaptive method for MH Sampling.
Markov Chain Monte Carlo Estimation and Diagnostics. Summary of Session Gibbs Sampling. Metropolis Hastings Sampling. Adaptive method for MH Sampling. Variance Components model. Informative prior distributions.
Dettaglimatrix) Example: 12 C(α,γ) 16 O in helium burning known potential, Φ known unknown potential Matching
Lecture 4: some topics in extrapolation Lucio Gialanella Dipartimento di Matematica e Fisica Seconda Università di Napoli and INFN Napoli Naples, Italy Theory/formalism to extrapolate data (e.g. R matrix)
DettagliDistribuzioni di probabilità e simulazione stocastica
Probabilità e Statistica per l analisi di dati sperimentali Distribuzioni di probabilità e simulazione stocastica Sviluppo e gestione di Data Center per il calcolo scientifico ad alte prestazioni Master
DettagliA.A. 2006/2007 Laurea di Ingegneria Informatica. Fondamenti di C++ Horstmann Capitolo 3: Oggetti Revisione Prof. M. Angelaccio
A.A. 2006/2007 Laurea di Ingegneria Informatica Fondamenti di C++ Horstmann Capitolo 3: Oggetti Revisione Prof. M. Angelaccio Obbiettivi Acquisire familiarità con la nozione di oggetto Apprendere le proprietà
DettagliLDL come target per il controllo della dislipidemia HIV-correlata
LDL come target per il controllo della dislipidemia HIV-correlata EU vs USA: dove sta la verità? Dr Michele Bombelli Clinica Medica Università degli Studi Milano Bicocca Ospedale S.Gerardo, Monza LINEE
Dettaglib e (a) v i 1 v s (b)
RETIMING cflgiovanni De Micheli Stanford University Outline ffl Structural optimization methods. ffl Retiming. Modeling. Retiming for minimum delay. Retiming for minimum area. Synchronous Logic Network
DettagliFondamenti di Elaborazione Numerica dei Segnali Anno Accademico Seconda Prova Intermedia 18/1/2018. Tempo a disposizione 1h:30min
Seconda Prova Intermedia 8//08 Tempo a disposizione h:30min. Dato il sistema riportato nella figura seguente, si consideri una sua implementazione con aritmetica in virgola fissa a 8 bit complemento a
DettagliGIT Geology and Information Technology
Application of remote sensing data and GIS techniques to the study of the morpho-structural features of extensional basins: an example from the Montefalco area (northern Apennines, Italy). Michele Santangelo
DettagliLecture 2: Data Representation
Lecture 2: Data Representation Data need to be represented in a convenient way that simplifies: common operations: addition, comparison, etc. How would an algorithm for adding Roman numbers look like?
Dettagli07/02/2011. Elementi di Biomeccanica Statica, Cinetica, Esercizi sull analisi delle forze. Mechanics. Statics constant state of motion
Elementi di Biomeccanica Statica, Cinetica, Esercizi sull analisi delle forze Mechanics Statics constant state of motion Dynamics acceleration present Kinetics of motionless systems Constant velocity systems
DettagliTesti del Syllabus. Docente PICCHI GIORGIO Matricola:
Testi del Syllabus Docente PICCHI GIORGIO Matricola: 004199 Anno offerta: 2013/2014 Insegnamento: 05700 - TEORIA DEI SEGNALI Corso di studio: 3050 - INGEGNERIA INFORMATICA, ELETTRONICA E DELLE TELECOMUNICAZIONI
DettagliAlgoritmi Priority-Driven RT. Corso di Sistemi RT Prof. Davide Brugali Università degli Studi di Bergamo
Algoritmi Priority-Driven RT Corso di Sistemi RT Prof. Davide Brugali Università degli Studi di Bergamo 2 Algoritmi Real Time Earliest Due Date (statico) Seleziona il task con la deadline relativa più
DettagliSRT064 BTH SRT051 BTH SRT052 BTH
KIT FOR TRUCK BRAKE TESTERS SRT051 BTH SRT052 BTH OPERATOR S MANUAL SRT064BTH SRT051BTH SRT052BTH CONTENTS 1. INTRODUCTION...1 2. Description of SRT064BTH Kit...2 3. Description of SRT051BTH Kit...2 4.
DettagliTesti del Syllabus. Docente CAGNONI STEFANO Matricola:
Testi del Syllabus Docente CAGNONI STEFANO Matricola: 005079 Anno offerta: 2013/2014 Insegnamento: 1005643 - BASI DI DATI E WEB Corso di studio: 3050 - INGEGNERIA INFORMATICA, ELETTRONICA E DELLE TELECOMUNICAZIONI
DettagliINNOVATIVE DISTRIBUTION SYSTEMS: INFLUENCE OF REGULATORY ENVIRONMENT
Session 5 Round Table Active networks and Smart Grids: sustainable evolution of the present distribution system INNOVATIVE DISTRIBUTION SYSTEMS: INFLUENCE OF REGULATORY ENVIRONMENT F. Pilo, University
DettagliQuestion 1: algorithms, data structures, problem classes, and algorithmic techniques
Question 1: alg. s, data struct. s, problem classes, and alg. techniques Question 1: algorithms, data structures, problem classes, and algorithmic techniques What is a dynamic data structure? (4 points).
DettagliTesti del Syllabus MACHINE LEARNING FOR PATTERN RECOGNITION (1st MODULE) Corso di studio: Anno regolamento:
Testi del Syllabus Resp. Did. BONONI Alberto Matricola: 004854 Anno offerta: 2016/2017 Insegnamento: 1006078 - MACHINE LEARNING FOR PATTERN RECOGNITION (1st MODULE) Corso di studio: Anno regolamento: 5052
DettagliIP TV and Internet TV
IP TV e Internet TV Pag. 1 IP TV and Internet TV IP TV e Internet TV Pag. 2 IP TV and Internet TV IPTV (Internet Protocol Television) is the service provided by a system for the distribution of digital
DettagliNumerical Heat and Mass Transfer
Master Degree in Mechanical Engineering Numerical Heat and Mass Transfer 16 Convective Heat Transfer Fausto Arpino f.arpino@unicas.it Forced convection over a flat plate Assuming steady-state regime, two-dimensional
DettagliAnalisi spazio-temporale di social media per l identicazione di eventi
Analisi spazio-temporale di social media per l identicazione di eventi P. Arcaini 1, G. Bordogna 2,3, E. Mangioni 3, S. Sterlacchini 3 1 Department of Engineering, University of Bergamo 2 National Research
DettagliFisica Computazionale
Fisica Computazionale Lavori in Corso a Fisica 2016 Alessandro Gabbana Universitá Degli Studi di Ferrara November 22, 2016 A.Gabbana, R.Tripiccione Fisica Computazionale November 22, 2016 1 / 11 Introduzione
DettagliGocce d'anima (Italian Edition)
Gocce d'anima (Italian Edition) Marco Fusaroli Click here if your download doesn"t start automatically Gocce d'anima (Italian Edition) Marco Fusaroli Gocce d'anima (Italian Edition) Marco Fusaroli Non
DettagliGUARINO LO BIANCO CORRADO
Testi del Syllabus Docente GUARINO LO BIANCO CORRADO Matricola: 004831 Anno offerta: 2013/2014 Insegnamento: 1005595 - DINAMICA E CONTROLLO DEI SISTEMI ROBOTICI Corso di studio: 5015 - INGEGNERIA INFORMATICA
DettagliCorso di Laboratorio Ciberfisico Modulo di Robot Programming with ROS. Navigazione in. Docente: Domenico Daniele Bloisi.
Maggio 2018 Corso di Laboratorio Ciberfisico Modulo di Robot Programming with ROS Navigazione in Docente: Domenico Daniele Bloisi References and credits Alcune delle slide seguenti sono tratte da Giorgio
DettagliRobotica Probabilistica. Filtri Bayesiani
Robotica Probabilistica Filtri Bayesiani Filtri discreti e Particle filters Filtri ad Istogrammi e Filtri Discreti - Decompongono lo spazio in regioni e rappresentano il post cumulativo di ogni regione
DettagliTesti del Syllabus. Docente RUSSO FABRIZIO Matricola:
Testi del Syllabus Docente RUSSO FABRIZIO Matricola: 003413 Anno accademico: Insegnamento: Corso di studio: Anno regolamento: CFU: Settore: Tipo attività: Anno corso: Periodo: Sede: 2010/2011 015MI - AUTOMAZIONE
DettagliEstendere Lean e Operational Excellence a tutta la Supply Chain
Estendere Lean e Operational Excellence a tutta la Supply Chain Prof. Alberto Portioli Staudacher www.lean-excellence.it Dipartimento Ing. Gestionale Politecnico di Milano alberto.portioli@polimi.it Lean
DettagliBIOSTATISTICA. Corso per le Lauree Magistrali in Scienze Biologiche (LM-6) Silvano Presciuttini. Biostatistica S.
BIOSTATISTICA Corso per le Lauree Magistrali in Scienze Biologiche (LM-6) Silvano Presciuttini REGRESSIONE LINEARE What is a model? All the statistical tests you have encountered so far are designed to
DettagliAppendice A. Conduttori elettrici, sezioni e diametri Appendix A. Wires, Sizes and AWG diameters
Appendice A. Conduttori elettrici, sezioni e diametri Appendix A. Wires, Sizes and AWG diameters A.1 Misura dei conduttori elettrici, sezioni e diametri AWG and kcmil wires sizes measurement L America
DettagliCorso di Laurea in FISICA Dispositivi di calcolo II
Corso di Laurea in FISICA Dispositivi di calcolo II Prof. Luca Gammaitoni Corso di Laurea in FISICA Compu&ng device Laurea Specialistica in Informatica input output model input à output à Numerical data
DettagliNonlinear Control Lecture # 12 Passivity. Nonlinear Control
Nonlinear Control Lecture # 12 Passivity Memoryless Functions Ù ¹ Ý È È È ÈÈ È y u µ power inflow = uy (b) Resistor is passive if uy 0 y y y u u u (a) (b) (c) Passive Passive Not passive y = h(t,u), h
DettagliIl concetto di varietà e la nascita della teoria degli insiemi RIEMANN ( )
Il concetto di varietà e la nascita della teoria degli insiemi RIEMANN (1826-66) Funzioni multivalori http://science.larouchepac.com/riemann/page/22 CONCETTI: intensione ed estensione Natural science is
DettagliModelli di Moto. Incertezza nel movimento Modello Probabilistico Filtro Bayesiano
Modelli di Moto Incertezza nel movimento Modello Probabilistico Filtro Bayesiano Un modello possibile sono le reti bayesiane Azioni, Osservazioni, Transizioni Localizzazione: Tassonomia Locale vs Globale:
DettagliGstarCAD 2010 Features
GstarCAD 2010 Features Unrivaled Compatibility with AutoCAD-Without data loss&re-learning cost Support AutoCAD R2.5~2010 GstarCAD 2010 uses the latest ODA library and can open AutoCAD R2.5~2010 DWG file.
DettagliInstallazione di DraftSight Enterprise
PROCEDURA PER L INSTALLAZIONE DELLE LICENZE DI RETE DRAFTSIGHT DraftSight è un software di disegno 2D, che nella versione Enterprise prevede delle installazioni Client sui computer dei disegnatori, i quali
DettagliMobility Data Mining Case study su urban human mobility
Mobility Data Mining Case study su urban human mobility Big Data per la mobilità Fonti eterogenee e complementari di informazione su posizione e spostamenti: Telefonia mobile GSM Sistemi tracciamento /
DettagliMateriali Intelligenti: introduzione. Corso Materiali Intelligenti e Biomimetici 1/03/2018
Materiali Intelligenti: introduzione Corso Materiali Intelligenti e Biomimetici 1/03/2018 Organizzazione corso Materiali Intelligenti A.A. 2017/18 Parte Teorica 1. Definizione e classificazione 2. Proprietà
DettagliAVERE 30 ANNI E VIVERE CON LA MAMMA BIBLIOTECA BIETTI ITALIAN EDITION
AVERE 30 ANNI E VIVERE CON LA MAMMA BIBLIOTECA BIETTI ITALIAN EDITION READ ONLINE AND DOWNLOAD EBOOK : AVERE 30 ANNI E VIVERE CON LA MAMMA BIBLIOTECA BIETTI ITALIAN EDITION PDF Click button to download
DettagliUNIVERSITÀ DEGLI STUDI DI FOGGIA DIPARTIMENTO DI ECONOMIA
SCHEDA INSEGNAMENTO A.A. 2016/2017 CORSO DI LAUREA IN ECONOMIA INSEGNAMENTO STATISTICA 2 Docente: SPADA ALESSIA email:alessia.spada@unifg.it pagina web: http://www2.unifg.it/spada-alessia/?docente=232
DettagliLABORATORIO ELETTROFISICO YOUR MAGNETIC PARTNER SINCE 1959
FINITE ELEMENT ANALYSIS (F.E.A.) IN THE DESIGN OF MAGNETIZING COILS How does it works? the Customer s samples are needed! (0 days time) FEA calculation the Customer s drawings are of great help! (3 days
Dettagli6.5 RNA Secondary Structure. 18 novembre 2014
6.5 RNA Secondary Structure 18 novembre 2014 Calendario Oggi è la lezione 17/24: ultima lezione su Programmazione dinamica Metodo greedy: 18, 19 Grafi: 20, 21, 22, 23 Reti di flusso: 23, 24 (=mercoledì
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Hidden Markov Models Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario Processi
DettagliSCHEDA INSEGNAMENTO A.A. 2017/2018
SCHEDA INSEGNAMENTO A.A. 2017/2018 CORSO DI LAUREA MAGISTRALE IN ECONOMIA E FINANZA INSEGNAMENTO STATISTICA PER LE DECISIONI Docente: prof. Corrado Crocetta email: corrado.crocetta@unifg.it pagina web:
Dettagli