Fusão de Sensores e Filtragem Não-Linear para Sistemas Automotivos

Veículos automatizados dependem de percepção altamente precisa para navegar com segurança, exigindo a integração perfeita de dados ruidosos de câmeras, radar e lidar.Entender como combinar essas diversas entradas de sensores usando filtragem matemática é uma habilidade essencial para engenheiros automotivos e de robótica modernos. Você fará a transição de conceitos básicos de probabilidade para entender como filtros não lineares robustos rastreiam veículos e pedestres em cenários do mundo real. O que você vai aprender: - Entenda os conceitos fundamentais de estimativa de estado bayesiana e arquiteturas de fusão de sensores. - Implementar filtros Kalman estendidos e sem cheiro para rastrear objetos dinâmicos com movimento não linear. - Aplique técnicas de filtragem de partículas para lidar com ambientes de ruído altamente complexos e não gaussianos. - Analisar os trade-offs entre metodologias de fusão de sensores iniciais e tardias usando paradigmas de radar e lidar. - Pratique o design de algoritmos de estimativa de estado através de passos estruturados e passo a passo. O curso começa com a teoria da probabilidade central, sistemas de coordenadas e modelos de movimento antes de progredir para algoritmos avançados de filtragem não linear e cenários práticos de rastreamento automotivo.Você estudará explicações detalhadas e analisará implementações de código limpo para solidificar sua compreensão técnica. Este curso é projetado para iniciantes em percepção automotiva, desenvolvedores de software e estudantes de engenharia. Recomenda-se uma formação básica em álgebra linear e programação, mas não é necessária experiência prévia em fusão de sensores.