- 学部・研究科
Faculty/Graduate School - 理工学研究科
- 時間割コード
Course Code - 93322
- 科目名
Course title
サブテーマ
Subtitle - M情報機械学
- 授業形態/単位
Term/Credits - クラス
Class -
- 春/2
- 担任者名
Instructor - ラサミー ポチャラ
- 曜限
Day/Period - 金2
- 授業概要
Course Description
到達目標
Course Objectives -
授業種別 / Teaching Types
<春>
講義（対面型）
言語 / Language
<春>
日本語(Japanese)授業概要 / Course Description
<春>
本授業では、知能機械システムの基礎から応用までを体系的に学びます。前半では、ロボット工学における運動学の基礎を中心に学び、ロボットアームの順運動学、逆運動学、およびヤコビアンを用いた動作解析と制御手法について取り扱います。これにより、ロボットの動作設計や動力学的制御の基盤を養成します。
後半では、人工知能（AI）と自動化技術に焦点を当て、SLAM（Simultaneous Localization and Mapping）、経路計画（Path Planning）、および強化学習（Reinforcement Learning）を学びます。これらの技術は、モバイルロボットや自律システムの開発における中核技術です。講義を通じて、理論的背景の理解とともに、システム設計および実際の応用事例を学習します。
この授業を通じて、学生は知能機械システムの設計、制御、ならびにAI技術を活用した自動化システムの開発に必要な知識とスキルを修得することを目指します。
到達目標 / Course Objectives
<春>
1. 知識・技能
学生は、ロボット工学の基本である順運動学、逆運動学、ヤコビアンに関する理論と技術を修得します。また、SLAM、経路計画、強化学習といったAI技術を学び、自律型ロボットや知能システムの開発に必要な基礎知識と実践的な技能を身につけます。
2. 思考力・判断力・表現力等の能力
学生は、ロボット運動学やAIアルゴリズムに基づいてシステムを設計し、課題を分析して解決策を立案する能力を養います。また、得られた知見や設計成果を適切に表現・共有する力を高め、柔軟な思考と創造力を培います。
3. 主体的な態度の観点
学生は、知能機械システムに関する最新技術や理論に対して主体的に興味を持ち、課題解決や応用事例の探究に積極的に取り組む態度を養います。また、学びを通じて得た知識を社会的な問題解決や技術革新に応用しようとする意欲を育成します。
授業手法 / Teaching Methods
・プレゼンテーション（スピーチ、模擬授業等含む）
- 授業計画
Course Content -
授業計画 / Course Content
<春>
各週の読書課題および発表の内容は、使用するテキストや参考文献に基づき具体的に指定します。また、発表の質や積極性を評価に反映します。
第1回: ガイダンスと授業概要の説明
- 授業の目的、評価方法、使用する教材や参考書の紹介
- ロボット工学および知能システムの基礎概念の導入
第2回: 順運動学 (Forward Kinematics)
- 順運動学の基本原理、座標変換、DHパラメータの説明
- 指定テキストを事前に読んで学生が発表
*第3回: 逆運動学 (Inverse Kinematics)
- 逆運動学の理論と計算方法、解の多義性とその対処法
- 学生による事前学習内容のプレゼンテーション
第4回: ヤコビアン (Jacobian) とロボットアームの解析
- ヤコビアン行列、速度・力変換、特異点の解析
- 課題文献を基にした学生の発表と議論
第5回: ロボット運動学の応用例
- ロボットの設計と運動学の応用事例についてのケーススタディ
- グループでのディスカッションと発表
第6回: SLAMの基礎 (Simultaneous Localization and Mapping)
- SLAMの基本概念、アルゴリズムの仕組み（グラフベース、拡張カルマンフィルタなど）
- 課題文献を事前に学習し、学生が発表
第7回: 経路計画 (Path Planning)
- 経路計画アルゴリズム（A*、Dijkstra法、RRTなど）の理論と実例
- 読書内容に基づく発表とアルゴリズムのグループ演習
第8回: 強化学習 (Reinforcement Learning) の基礎
- 強化学習の基本概念（Q学習、深層強化学習）
- テキストの指定章を学生が読み、発表と質疑応答
第9回: 強化学習の応用例と演習
- 強化学習のロボット制御や自律システムへの応用事例
- グループで簡単なシミュレーション演習
第10回: センサーと環境認識技術
- ロボットにおけるセンサー（カメラ、LiDAR、IMU）と環境認識技術
- 課題文献を基に学生発表
第11回: AIと自動化の統合
- ロボットシステムにおけるAI技術と自動化の融合
- 読書内容を基にした議論とケーススタディ発表
第12回: 応用事例研究 (Case Studies)
- 自動運転、ロボットマニピュレーター、自律ドローンなどの応用例
- 学生による事例分析の発表
第13回: プロジェクト準備と相談
- 最終プロジェクトのテーマ決定と計画策定
第14回: 最終プロジェクト発表
- 各グループまたは個人によるプロジェクト成果の発表
- 質疑応答とフィードバック
授業時間外学習 / Expected work outside of class
<春>
復習をし、知識を定着させ、理解を深めること
- 成績評価の方法・基準・評価
Grading Policies /
Evaluation Criteria -
方法 / Grading Policies
<春>
定期試験を行わず、到達度の確認(筆記による学力確認)で評価する。
評価項目と配分割合
1. 小テストと出席 (50%)
- 小テストを通じて授業内容の理解度を評価
- 出席率を基準に学習への積極性と継続性を確認
- 主に以下の観点から評価を行います:
- 小テストの成績（授業内容の理解度）
- 出席率と授業中の積極性
2. ウィークリープレゼンテーション (30%)
- 各週の読書課題を基にした発表内容を評価
- 主に以下の観点から評価を行います:
- 内容の正確性と深さ
- 発表資料の構成と表現力
- 質疑応答に対する対応力
3. プロジェクトプレゼンテーション (20%)
- 最終プロジェクトの成果発表を評価
- 主に以下の観点から評価を行います:
- プロジェクトの独創性と実現性
- 問題解決のアプローチと論理性
- プレゼンテーションの完成度と伝達力
- 質疑応答やディスカッションへの積極性
基準・評価 / Evaluation Criteria・Assessment Policy
<春>
講義内容に対する理解度
- 教科書
Textbooks <春>
出村公成 ロボットシミュレーション-Open Dynamics Engineによるロボットプログラミング 森北出版
友納正裕 (著) SLAM入門 ロボットの自己位置推定と地図構築の技術 オーム社
斎藤 康毅 (著) ゼロから作るDeep Learning ❹ ―強化学習編 オライリージャパン
備 考 / Note=====================================
<春>
-
参考書
References <春>
備 考 / Note=====================================
<春>
- フィードバックの方法
Feedback Method <春>
1. クラス内での演習とフィードバック
授業内で実践的な演習（ハンズオン）を⾏い、その場で個別または全体に対してフィードバックを提供します。これにより、
学⽣が即座に理解を深め、改善点を認識できるようにします。
2. 週ごとの⼩テストと解答の提供
毎週⼩テストを実施し、テスト終了後に解答を提⽰します。これにより、学⽣が⾃⼰評価を⾏い、知識の不⾜部分を特定する
機会を提供します。
- 担任者への問合せ方法
Instructor Contact <春>
オフィスアワー
木曜⽇４限（場所：ラサミーの部屋）
その他
学⽣から教員への連絡は、Google Classroomのメッセージ機能またはTeamsのメッセージ機能を通じて⾏ってください。
- 備考
Other Comments <春>