Fuzja czujników i filtrowanie nieliniowe dla systemów motoryzacyjnych

Zautomatyzowane pojazdy opierają się na bardzo dokładnej percepcji, aby bezpiecznie nawigować, co wymaga płynnej integracji danych z kamer, radaru i lidara.Zrozumienie, jak połączyć te różnorodne dane wejściowe z czujników za pomocą filtrowania matematycznego, jest niezbędną umiejętnością dla nowoczesnych inżynierów motoryzacyjnych i robotyki. Ten kurs tekstowy prowadzi przez podstawową matematykę i algorytmiczne implementacje fuzji czujników.Będziesz przechodzić od podstawowych koncepcji prawdopodobieństwa do zrozumienia, w jaki sposób solidne filtry nieliniowe śledzą pojazdy i pieszych w rzeczywistych scenariuszach. Czego się nauczysz: - Zrozum podstawowe koncepcje bayesowskiej oceny stanu i architektury fuzji czujników. - Wdrożenie rozszerzonych i niezapachowych filtrów Kalmana do śledzenia obiektów dynamicznych z ruchem nieliniowym. - Zastosuj techniki filtrowania cząstek do obsługi wysoce złożonych, niegaussowskich środowisk hałasu. - Przeanalizuj kompromisy między wczesnymi i późnymi metodologiami fuzji czujników przy użyciu paradygmatów radarowych i lidarowych. - Ćwicz projektowanie algorytmów estymacji stanu poprzez uporządkowane, krok po kroku przewodniki po kodzie. Kurs zaczyna się od podstawowej teorii prawdopodobieństwa, układów współrzędnych i modeli ruchu, zanim przejdzie do zaawansowanych nieliniowych algorytmów filtrowania i praktycznych scenariuszy śledzenia samochodów.Będziesz studiować szczegółowe wyjaśnienia i analizować czyste implementacje kodu, aby utrwalić swoje techniczne zrozumienie. Ten kurs jest przeznaczony dla początkujących w zakresie percepcji samochodowej, programistów i studentów inżynierii. Zalecane jest podstawowe wykształcenie w algebrze liniowej i programowaniu, ale nie jest wymagane wcześniejsze doświadczenie w fuzji czujników.