Consulta de Guías Docentes



Academic Year/course: 2021/22

615 - Máster Universitario en Robótica, Gráficos y Visión por Computador / Robotics, Graphics and Computer Vision

69159 - Advanced SLAM


Syllabus Information

Academic Year:
2021/22
Subject:
69159 - Advanced SLAM
Faculty / School:
110 - Escuela de Ingeniería y Arquitectura
Degree:
615 - Máster Universitario en Robótica, Gráficos y Visión por Computador / Robotics, Graphics and Computer Vision
ECTS:
3.0
Year:
1
Semester:
Second semester
Subject Type:
Optional
Module:
---

1. General information

1.1. Aims of the course

The aim of the course is to introduce the students to emerging research and innovation topics related to Simultaneous Localization and Mapping (SLAM). For this, state-of-the-art techniques will be detailed in various open SLAM problems, attending to technical but also methodological aspects such as their relationship with the foundations of the study area, their assumptions, limitations and potential, and the critical analysis of available experimental evidence.

These approaches and objectives are aligned with some of the Sustainable Development Goals, SDG, of the 2030 Agenda (https://www.un.org/sustainabledevelopment/es/) and certain specific goals, in such a way that the acquisition of the Learning outcomes of the subject provides training and competence to the student to contribute to a certain extent to their achievement:

  • Goal 8: Promote sustained, inclusive and sustainable economic growth, full and productive employment and decent work for all
    • Target 8.2 Achieve higher levels of economic productivity through diversification, technological modernization and innovation, including by focusing on high value-added and labor-intensive sectors
  • Goal 9: Industry, innovation and infrastructure
    • Target 9.2 Promote inclusive and sustainable industrialization and, by 2030, significantly increase the contribution of industry to employment and gross domestic product, in accordance with national circumstances, and double that contribution in least developed countries

1.2. Context and importance of this course in the degree

SLAM is a technology that is present in most of the sectors covered in this master: it is essential in autonomous robots (including drones and autonomous vehicles) and in virtual and augmented reality applications. If the main sensor is a camera, it makes use of computer vision techniques. 
 
Although the first industrial implementations are beginning to appear, various aspects of SLAM still present significant scientific challenges. Therefore, deepening in advanced and emerging aspects of SLAM is relevant for the professional development of the master's students in the aforementioned fields.

1.3. Recommendations to take this course

The Advanced SLAM course requires basic knowledge of mathematics, statistics and computer programming that are taught in the basic training modules of engineering degrees at the University of Zaragoza.

It is highly recommended to have attended and followed these compulsory courses of the Master Program in Robotics, Graphics and Computer Vision: Computer Vision, Machine Learning and Simultaneous Localization and Mapping. Advanced SLAM will assume as acquired and will use several basic concepts of these subjects (for example, extraction and matching of local visual features, geometry of single and multiple views, deep neural networks (convolutional networks), estimation, fundamentals and terminology of SLAM).

2. Learning goals

2.1. Competences

The student will acquire the following basic and general competences in this course:

  • CB6 - Gather and understand the knowledge that provides a basis or opportunity to be original in the development and / or application of ideas, often in a research context.
  • CB7 - That students know how to apply the acquired knowledge and their ability to solve problems in new or little-known settings within broader (or multidisciplinary) contexts related to their area of ​​study.
  • CB8 - That students are able to integrate knowledge and face the complexity of formulating judgments based on information that, being incomplete or limited, includes reflections on the social and ethical responsibilities linked to the application of their knowledge and judgments.
  • CB9 - That students know how to communicate their conclusions and the latest knowledge and reasons that support them to specialized and non-specialized audiences in a clear and unambiguous way.
  • CB10 - That students have the learning skills that allow them to continue studying in a largely self-directed or autonomous manner.
  • CG01 - Have acquired advanced and demonstrated knowledge, in a context of scientific and technological research or highly specialized, a detailed and well-founded understanding of the theoretical and practical aspects and of the working methodology in the fields of Robotics, Graphics and / or Vision by Computer, allowing them to be innovative in a context of research, development and innovation.
  • CG05 - Ability to transmit in English, oral and written, in a clear and unambiguous way, to a specialized audience or not, results from scientific and technological research or the most advanced field of innovation, as well as the most relevant foundations on which they are based.
  • CG06 - Have developed sufficient autonomy to participate in research projects and scientific or technological collaborations within their subject area, in interdisciplinary contexts and, where appropriate, with a high component of knowledge transfer.
  • CG08 - Have the aptitudes, skills and method necessary to carry out multidisciplinary research and / or development work in the fields of Robotics, Graphics and / or Computer Vision.
  • CG09 - Ability to use the engineering techniques, skills and tools necessary for solving problems in the fields of Robotics, Graphics and / or Computer Vision.
  • CG10 - Ability to understand, relate to the state of the art and critically evaluate scientific publications in the fields of Robotics, Graphics and / or Computer Vision.
  • CG11 - Ability to manage and use bibliography, documentation, databases, software and hardware specific to the fields of Robotics, Graphics and / or Computer Vision.

The student will also acquire the following specific competences:

  • CE01 - Ability to apply mathematical and artificial intelligence methods to model, design and develop Robotics, Graphics and / or Computer Vision systems and applications.
  • CE02 - Ability to design and develop new methods and algorithms applicable to autonomous systems or virtual and augmented reality applications.
  • CE04 - Ability to conceive, design and develop software, products and systems in the field of Robotics.
  • CE09 - Ability to autonomously carry out work of initiation to research and / or development in the field of Robotics, Graphics, or Computer Vision, in which the skills acquired in the degree are synthesized and integrated.

2.2. Learning goals

In order to pass the course, the student must be able to:

  • Know the research challenges and specific problems related to current localization and mapping technologies.
  • Know and apply advanced and recent techniques in the context of localization and mapping .
  • Understand and evaluate the impact of technologies in advanced robotics.
  • Identify the research problems for which there are no known solutions in the field of robotics.
  • Propose and evaluate the benefits of new algorithms that address unsolved aspects of applications in the field of Robotics.
  • Synthetically present the proposed technical and / or scientific results.
  • Evaluate relevant bibliographic sources.

2.3. Importance of learning goals

 
Knowing advanced techniques, research problems and challenges in the areas of localization and mapping is relevant because of 1) the transversality of the technology in multiple applications related to the contents of the master, and 2) the rapid progress of research and the transfer of such technologies. Related to this last point, the competences related to bibliographic analysis, evaluation and analysis of experimental results and potential impact, presentation of results and proposal and evaluation of new algorithms are essential for professionals related to this field.

3. Assessment (1st and 2nd call)

3.1. Assessment tasks (description of tasks, marking system and assessment criteria)

The evaluation of the course is continuous and consists of the following components programmed during the course:

E02 - Course assignments related to the two practical sessions of the course. The weight in the final grade will be 50%. The understanding of the theoretical foundations, the ability to tackle technical problems, the presentation of the results and critically analyzing them, the scope, the implementation and the methodology will be valued. The test will consist of an oral presentation of the work by the student.

E03 - Oral presentation of scientific articles related to the course. The weight in the final grade will be 50%. The ability to identify the most relevant aspects of the article, its connection with the contents of the subject and the state of the art and the quality of the presentation and the language used will be assessed.

Students will also have the option to pass the course by a global evaluation, on the day designated by the center, having to pass the same evaluation components as in the continuous assessment.

4. Methodology, learning tasks, syllabus and resources

4.1. Methodological overview

The methodology is oriented towards achieving the learning goals. A wide array of teaching and learning tasks are implemented. Students are expected to actively participate in class throughout the semester. Student-lecturer and student-student interactions will be encouraged through tutoring and discussion.

The classroom materials will be available through Moodle. These include a repository of the slides and notes used in the lectures, the course syllabus, as well as other course-specific learning materials, including a discussion forum.

More information about the course will be provided on the first day of class.

4.2. Learning tasks

1. A01 and A02 Theoretical lectures and problems (14 hours)

Expository sessions of theoretical content (10 hours) and problems and brief application examples (4 hours). The main concepts and foundations of the field will be presented. Student participation will be encouraged through questions and short discussions. 

2. A03 Laboratory practices (6 hours)

Two practical sessions of 3 hours each. They will be oriented to the acquisition of the practical skills of the subject.

3. A04 Special practical sessions (2 hours)

Activities related to the professional practice of the course concepts. Visits to companies and / or invited talks from external professionals will be scheduled.

4. A07 Study and personal work (45 hours)

The autonomous work of the student in this subject will be devoted to: 1) studying the lecture contents using the suggested bibliography, 2) completing and reviewing the work developed in the laboratory sessions, 3) completing the course assignments, and 4) reading scientific articles related to the course.

5. A07 Tutorship (5 hours)

The lecturers will be available and will promote addressing doubts related to the course contents in tutorship sessions. For this, the student will have a specific schedule that will be communicated by the lecturers at the beginning of the course.

6. A08 Evaluation (3 hours)

Time dedicated to the evaluation tasks of the course.

4.3. Syllabus

PART I: Advanced SLAM topics of high novelty and scientific interest (strongly supervised by the lecturer)

In this first part of the course, the lecturer will choose a topic of interest for SLAM, that has not been covered in any of the previous courses of the master and that has a reasonable degree of maturity and experimental support. The goal is working on such topic with strong supervision from the lecturers' side, who will cover the fundamentals in the lectures and will guide the students through practical hands-on aspects during two lab sessions.

PART II: Advanced SLAM topics of high novelty and scientific interest (weakly supervised by the lecturer)

In this second part, the lecturers will choose a set of technical documents, mainly scientific papers, that contain implementations and developments within SLAM that are very recent and have a high degree of interest. The students will select the papers and will lead the presentations and discussions on these topics, supervised by the lecturers on office hours on their understanding and presentation. The list of papers and the topics will be made available on the first day of the course.

4.4. Course planning and calendar

The lectures and laboratory sessions will be developed according to the schedule established by the Faculty center, that will be published on its website.

The learning activities and their dates and times, along with other related information and documentation on the course, will be published at http://moodle.unizar.es/

4.5. Bibliography and recommended resources

The bibliography will consist on a list of scientific papers that will be made available the first day of the course. As the goal is working on very recent topics of high novelty, the bibliography will be updated very frequently as new papers on the topics of interest appear. For this reason, we do not give specific details in this section.


Curso Académico: 2021/22

615 - Máster Universitario en Robótica, Gráficos y Visión por Computador / Robotics, Graphics and Computer Vision

69159 - Advanced SLAM


Información del Plan Docente

Año académico:
2021/22
Asignatura:
69159 - Advanced SLAM
Centro académico:
110 - Escuela de Ingeniería y Arquitectura
Titulación:
615 - Máster Universitario en Robótica, Gráficos y Visión por Computador / Robotics, Graphics and Computer Vision
Créditos:
3.0
Curso:
1
Periodo de impartición:
Segundo semestre
Clase de asignatura:
Optativa
Materia:
---

1. Información Básica

1.1. Objetivos de la asignatura

El objetivo de la asignatura es introducir al estudiante en algunos temas de investigación e innovación emergentes relacionados con la localización y construcción simultánea de mapas (SLAM, acrónimo del inglés Simultaneous Localization and Mapping). Para ello, se detallarán técnicas del estado del arte en varios problemas abiertos de SLAM, atendiendo a aspectos técnicos pero también metodológicos como su relación con los fundamentos del área de estudio, sus asunciones, limitaciones y potencial, y el análisis crítico de la evidencia experimental.

Estos planteamientos y objetivos están alineados con algunos de los Objetivos de Desarrollo Sostenible, ODS, de la Agenda 2030 (https://www.un.org/sustainabledevelopment/es/) y determinadas metas concretas, de tal manera que la adquisición de los resultados de aprendizaje de la asignatura proporciona capacitación y competencia al estudiante para contribuir en cierta medida a su logro:

  • Objetivo 8: Promover el crecimiento económico sostenido, inclusivo y sostenible, el empleo pleno y productivo y el trabajo decente para todos
    • Meta 8.2 Lograr niveles más elevados de productividad económica mediante la diversificación, la modernización tecnológica y la innovación, entre otras cosas centrándose en los sectores con gran valor añadido y un uso intensivo de la mano de obra
  • Objetivo 9: Industria, innovación e infraestructuras
    • Meta 9.2 Promover una industrialización inclusiva y sostenible y, de aquí a 2030, aumentar significativamente la contribución de la industria al empleo y al producto interno bruto, de acuerdo con las circunstancias nacionales, y duplicar esa contribución en los países menos adelantados

1.2. Contexto y sentido de la asignatura en la titulación

El SLAM es una tecnología que abarca varios de los sectores contemplados en este máster: es esencial en robots autónomos (incluyendo drones y vehículos autónomos) y en aplicaciones de realidad virtual y aumentada. Cuando el principal sensor es una cámara hace uso de técnicas de visión por computador. 

A pesar de que comienzan a aparecer las primeras implementaciones industriales, varios aspectos del SLAM presentan todavía retos científicos importantes. Por tanto, la profundización en aspectos avanzados y emergentes del SLAM es relevante para el desarrollo profesional de los estudiantes del máster en los campos mencionados.

 

 

1.3. Recomendaciones para cursar la asignatura

La asignatura de Advanced SLAM requiere de conocimientos básicos de matemáticas, estadística y programación de computadores que se imparten en el módulo de formación básica de los grados de ingeniería de la Universidad de Zaragoza.

Es muy recomendable, casi diríamos necesario, haber cursado con aprovechamiento las siguientes asignaturas obligatorias del Master Program in Robotics, Graphics and Computer Vision: Computer Vision, Machine Learning y Simultaneous Localization and Mapping. Advanced SLAM asumirá como adquiridos y usará varios conceptos básicos de dichas asignaturas (por ejemplo, extracción y emparejamiento de características visuales locales, geometría de una y varias vistas, redes neuronales (convolucionales) profundas, estimación, fundamentos y terminología de SLAM).

 

 

2. Competencias y resultados de aprendizaje

2.1. Competencias

El estudiante adquirirá en esta asignatura las siguientes competencias básicas y generales:

  • CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
  • CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
  • CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la
  • aplicación de sus conocimientos y juicios.
  • CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
  • CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
  • CG01 - Haber adquirido conocimientos avanzados y demostrado, en un contexto de investigación científica y tecnológica o altamente especializado, una comprensión detallada y fundamentada de los aspectos teóricos y prácticos y de la metodología de trabajo en los ámbitos de la Robótica, Gráficos y/o Visión por Computador, que les permitan ser innovadores en un contexto de investigación, desarrollo e innovación.
  • CG05 - Capacidad para transmitir en inglés, de manera oral y escrita, de un modo claro y sin ambigüedades, a un público especializado o no, resultados procedentes de la investigación científica y tecnológica o del ámbito de la innovación más avanzada, así como los fundamentos más relevantes sobre los que se sustentan.
  • CG06 - Haber desarrollado la autonomía suficiente para participar en proyectos de investigación y colaboraciones científicas o tecnológicas dentro su ámbito temático, en contextos interdisciplinares y, en su caso, con una alta componente de transferencia del conocimiento.
  • CG08 - Poseer las aptitudes, destrezas y método necesarios para la realización de un trabajo de investigación y/o desarrollo de tipo multidisciplinar en los ámbitos de la Robótica, Gráficos y/o Visión por Computador.
  • CG09 - Capacidad para usar las técnicas, habilidades y herramientas de la Ingeniería necesarias para la resolución de problemas de los ámbitos de la Robótica, Gráficos y/o Visión por Computador.
  • CG10 - Capacidad para comprender, relacionar con el estado del arte y evaluar críticamente publicaciones científicas en los ámbitos de la Robótica, Gráficos y/o Visión por Computador.
  • CG11 - Capacidad para gestionar y utilizar bibliografía, documentación, bases de datos, software y hardware específicos de los ámbitos de la Robótica, Gráficos y/o Visión por Computador.

El estudiante adquirirá las siguientes competencias específicas:

  • CE01 - Capacidad para aplicar métodos matemáticos y de inteligencia artificial para modelar, diseñar y desarrollar sistemas y aplicaciones de Robótica, Gráficos y/o Visión por Computador.
  • CE02 - Capacidad para diseñar y desarrollar nuevos métodos y algoritmos aplicables a sistemas autónomos o de realidad virtual y aumentada.
  • CE04 - Capacidad para concebir, diseñar y desarrollar software, productos y sistemas en el ámbito de la Robótica.
  • CE09 - Capacidad para desarrollar de forma autónoma un trabajo de iniciación a la investigación y/o desarrollo en el ámbito de la Robótica, Gráficos, o Visión por Computador, en el que se sinteticen e integren las competencias adquiridas en la titulación.

2.2. Resultados de aprendizaje

El estudiante, para superar esta asignatura, deberá ser capaz de:

  • Conocer los retos investigadores y problemas específicos relacionados con las tecnologías actuales de localización y construcción de mapas.
  • Conocer y aplicar técnicas avanzadas y recientes en el contexto de localización y construcción de mapas.
  • Comprender y evaluar el impacto de aplicaciones en robótica avanzada.
  • Identificar los problemas objeto de investigación para los cuales no existen soluciones conocidas en el ámbito de la robótica.
  • Proponer y evaluar las prestaciones de nuevos algoritmos que aborden aspectos no resueltos de aplicaciones en el ámbito de la Robótica.
  • Presentar de forma sintética los resultados técnicos y/o científicos propuestos.Evaluar las fuentes bibliográficas relevantes.

2.3. Importancia de los resultados de aprendizaje

Conocer técnicas avanzadas, problemas y retos en las áreas de localización y construcción de mapas es relevante por 1) la transversalidad de la tecnología en múltiples aplicaciones relacionadas con los contenidos del máster, y 2) el rápido progreso de la investigación y la transferencia de dichas tecnologías. Relacionado con este último punto, las competencias relacionadas con análisis bibliográfico, evaluación y análisis de resultados experimentales e impacto potencial, presentación de resultados y propuesta y evaluación de nuevos algoritmos resultan esenciales en profesionales relacionados con este campo.

3. Evaluación

3.1. Tipo de pruebas y su valor sobre la nota final y criterios de evaluación para cada prueba

La evaluación de la asignatura es continua y consta de las siguientes componentes programadas a lo largo del curso:

E02 - Prueba consistente en la realización de las actividades contenidas en las sesiones prácticas de la asignatura. El peso en la nota final será del 50%. Se valorará la comprensión de los fundamentos teóricos, la capacidad de abordar problemas técnicos, la presentación de los resultados y su análisis crítico, el alcance, la implementación y la metodología. La prueba consistirá en una presentación oral del trabajo por parte del estudiante.

E03 - Presentación de artículos científicos relacionados con el curso. El peso en la nota final será del 50%. Se valorará la capacidad de identificar los aspectos más relevantes del artículo, su conexión con los contenidos de la asignatura y el estado del arte y la calidad de la presentación y del lenguaje utilizado.

Los estudiantes también podrán superar la asignatura mediante una prueba global realizada en el día señalado por el centro, teniendo que superar las mismas pruebas que en la evaluación continua.

4. Metodología, actividades de aprendizaje, programa y recursos

4.1. Presentación metodológica general

La metodología está orientada hacia el logro de los objetivos de aprendizaje. Se implementa una amplia gama de tareas de enseñanza y aprendizaje. Se espera que los estudiantes participen activamente en clase durante todo el semestre. Se fomentará la interacción de los estudiantes con el profesorado mediante las tutorías.

Los materiales del aula estarán disponibles a través de Moodle. Estos incluyen un repositorio de las notas de clase utilizadas en la clase, el programa del curso, así como otros materiales de aprendizaje específicos del curso, incluido un foro de discusión.

Se proporcionará más información sobre el curso el primer día de clase.

4.2. Actividades de aprendizaje

1. A01 y A02 Clases magistrales y de problemas (14 horas) 

Sesiones expositivas de contenidos teóricos (10 horas) y realización de problemas y ejemplos breves de aplicación (4 horas). Se presentarán los conceptos y fundamentos. Se fomentará la participación del estudiante a través de preguntas y breves debates. 

2. A03 Prácticas de laboratorio (6 horas)

Dos sesiones prácticas de 3 horas de duración cada una. Se orientarán a la adquisición de competencias prácticas de la asignatura.

3. A04 Prácticas especiales (2 horas)

Actividades relacionadas con la práctica profesional de los conceptos desarrollados en la asignatura. Se programarán visitas a empresas y/o charlas invitadas de profesionales externos.

4. A07 Estudio y trabajo personal (45 horas)

El trabajo autónomo del estudiante en esta asignatura se dedicará a: 1) profundización en los contenidos desarrollados en las clases magistrales usando la bibliografía sugerida, 2) compleción y repaso del trabajo desarrollado en las sesiones de prácticas de laboratorio, 3) realización de los trabajos prácticos de la asignatura, y 4) lectura de artículos científicos relacionados con los conceptos de la asignatura.

5. A07 Tutorías (5 horas)

El profesorado de la asignatura estará disponible y fomentará la resolución de dudas particulares en sesiones de tutorías. Para ello el estudiante dispondrá de un horario específico de atención que será comunicado por los profesores al principio de la asignatura.

6. A08 Evaluación (3 horas) 

Tiempo dedicado a las pruebas de evaluación de la asignatura.

4.3. Programa

PARTE I: Trabajo dirigido en temas relacionados con SLAM con un elevado grado de novedad e interés científico

En esta primera parte de la asignatura, el profesor escogerá un tema de interés dentro del SLAM, que no haya sido cubierto en las asignaturas anteriores relacionadas y que tenga un grado de soporte experimental y solidez razonable dentro de la especialidad. El objetivo es el trabajo dirigido por el profesor en dichos aspectos mediante asistencia y aprovechamiento a clases magistrales y dos sesiones prácticas. 

PARTE II: Lectura crítica y presentación de temas relacionados con SLAM con un elevado grado de novedad e interés científico

En esta segunda parte el profesorado de la asignatura escogerá un conjunto de documentos técnicos, principalmente artículos cientificos, que contengan implementaciones y desarrollos muy recientes en áreas de interés en el SLAM, que no hayan sido tratados en asignaturas anteriores relacionadas. Los estudiantes escogerán los artículos y liderarán su presentación y análisis crítico con la supervisión de los profesores. La lista de los artículos y su temática de los artículos se detallará el primer día de curso.

4.4. Planificación de las actividades de aprendizaje y calendario de fechas clave

Las clases magistrales se imparten según el horario establecido por el centro y publicado en su página web. 

La relación y fechas de las diversas actividades y tutorías, junto con todo tipo de información y documentación sobre la asignatura, se publicará en http://moodle.unizar.es/

4.5. Bibliografía y recursos recomendados

La bibliografía consistirá en una serie de artículos científicos que se harán públicos el primer día de clase. Debido al objetivo de trabajar en temas muy recientes y de muy alta novedad, la bibliografía se actualizará con mucha frecuencia a medida que aparezcan artículos científicos novedosos en áreas de interés, y por eso no se detalla en este apartado.