Föreläsning 1 Flashcards
(22 cards)
Sensor
En komponent som omvandlar en fysisk händelse (t.ex. temperatur, rörelse eller avstånd) till en mätbar signal, ofta elektrisk.
Sensor calibration
Processen att justera sensorns respons så att den matchar kända referensvärden – korrigerar systematiska fel.
Measurement type
Vad sensorn mäter, t.ex. position, hastighet, temperatur, ljusintensitet eller avstånd.
Excitation signal source
En yttre signal som krävs för att sensorn ska fungera, t.ex. en laserstråle i en LIDAR eller en bärvåg i radar.
Measurement principle
Det fysiska fenomen som sensorn bygger på, t.ex. ljusreflektion, elektromagnetism, tryck eller tid.
Sensor characterization
Beskrivning av sensorns egenskaper, t.ex. noggrannhet, upplösning, känslighet och respons.
Sensitivity
Hur mycket sensorns utsignal ändras per enhets förändring av det som mäts – brant lutning i kurvan sensorvärde vs input.
Saturation
När sensorn når sitt max- eller minvärde och inte längre kan mäta korrekt trots fortsatt ökning/minskning av det fysiska fenomenet.
Resolution
Den minsta förändring i input som sensorn kan registrera – alltså dess finhet i mätningen.
Precision
Hur repeterbara mätningarna är – att sensorn ger samma värde vid upprepade mätningar under samma förhållanden.
Accuracy
Hur nära det uppmätta värdet är det sanna värdet – påverkas av både systematiska och slumpmässiga fel.
Bandwith
Det frekvensområde inom vilket sensorn kan svara korrekt – avgör hur snabbt den kan reagera på förändringar.
Response time
Hur snabbt sensorn reagerar på en förändring i input – från förändring till stabilt utsignalvärde.
Synchronous vs Asynchronous
Två sätt att samla in data. Synchronous sker vid gemensamma, koordinerade tidpunkter. Asynchronous sker oberoende, när sensorerna själva väljer tidpunkt.
Synchronous operation
Alla sensorer är tidsstyrda och samlar data samtidigt – bra för datafusion.
Asynchronous operation
Sensorer samlar in data oberoende i tid – kan skapa utmaningar vid fusion av information.
Models for parameter estimation: nonrandom, random
• Nonrandom: Parametern är ett okänt fast värde.
• Random: Parametern modelleras som en slumpvariabel med en fördelning.
Posterior
Den uppdaterade sannolikheten för ett tillstånd efter att ha observerat ny data – resultatet från Bayes sats.
Prior
Den tro vi har om ett tillstånd innan vi gjort en ny observation – vår ursprungliga sannolikhetsfördelning.
MLE (Maximum Likelihood Estimation)
En metod för att hitta det värde på en parameter som gör den observerade datan mest sannolik.
MAP (Maximum A Posteriori)
Liknar MLE men tar även hänsyn till priorfördelningen – används ofta i Bayesiansk inferens.
Unbiased estimator
En estimator där medelvärdet av estimerade värden över många försök är lika med det sanna parametervärdet – inget systematiskt fel.
