AI and Deep Learning for Autonomous Driving

• Biegłość w programowaniu Python
• Doświadczenie w zakresie uczenia maszynowego i głębokiego uczenia się
• Znajomość technologii motoryzacyjnych i widzenia komputerowego

Odbiorcy

• Specjaliści od danych, którzy chcą pracować nad aplikacjami do autonomicznej jazdy
• Specjaliści AI koncentrujący się na rozwoju sztucznej inteligencji w motoryzacji
• Programiści zainteresowani technikami głębokiego uczenia się w samochodach autonomicznych

AI i Deep Learning dla Jazdy Autonomicznej to specjalistyczny kurs skupiający się na wykorzystaniu algorytmów AI i technik głębokiego uczenia do opracowywania funkcjonalności pojazdów autonomicznych.

To prowadzone przez instruktora, interaktywne szkolenie (online lub stacjonarne) skierowane jest do zaawansowanych analityków danych, specjalistów AI i programistów AI w branży motoryzacyjnej, którzy chcą tworzyć, trenować i optymalizować modele AI do zastosowań w autonomicznych pojazdach.

Po zakończeniu tego szkolenia uczestnicy będą mogli:

• Zrozumieć podstawy AI i głębokiego uczenia w kontekście pojazdów autonomicznych.
• Implementować techniki wizji komputerowej do detekcji obiektów w czasie rzeczywistym i podążania za pasami ruchu.
• Wykorzystywać uczenie ze wzmocnieniem do podejmowania decyzji w systemach autonomicznych.
• Integrować techniki fuzji sensorów w celu poprawy percepcji i nawigacji.
• Tworzyć modele głębokiego uczenia do przewidywania i analizy scenariuszy jazdy.

Format Kursu

• Interaktywny wykład i dyskusja.
• Duża ilość ćwiczeń i praktycznych zajęć.
• Praktyczna implementacja w środowisku live-lab.

Możliwości Dostosowania Kursu

• W celu zamówienia dostosowanego szkolenia, prosimy o kontakt w celu ustalenia szczegółów.

Wprowadzenie do sztucznej inteligencji w pojazdach autonomicznych

• Zrozumienie poziomów autonomii i integracji ze sztuczną inteligencją
• Przegląd frameworków i bibliotek sztucznej inteligencji wykorzystywanych w pojazdach autonomicznych
• Trendy i innowacje w autonomii pojazdów opartej na sztucznej inteligencji

Deep Learning Podstawy autonomicznej jazdy

• Architektury sieci neuronowych dla samochodów autonomicznych
• Konwolucyjne sieci neuronowe (CNN) do przetwarzania obrazów
• Rekurencyjne sieci neuronowe (RNN) do danych czasowych

Computer Vision dla autonomicznej jazdy

• Wykrywanie obiektów przy użyciu YOLO i SSD
• Techniki wykrywania pasów ruchu i podążania drogą
• Segmentacja semantyczna do percepcji środowiska

Reinforcement Learning dla podejmowania decyzji w zakresie jazdy

• Procesy decyzyjne Markowa (MDP) w pojazdach autonomicznych
• Trenowanie modeli głębokiego uczenia się ze wzmocnieniem (DRL)
• Uczenie się oparte na symulacjach dla polityk jazdy

Sensor Fusion i percepcji

• Integracja danych z LiDAR, RADAR i kamer
• Filtrowanie Kalmana i techniki fuzji sensorów
• Przetwarzanie danych z wielu sensorów do mapowania środowiska

Deep Learning Modele predykcji jazdy

• Budowanie modeli predykcji zachowań
• Prognozowanie trajektorii w celu unikania przeszkód
• Rozpoznawanie stanu i intencji kierowcy

Ocena i optymalizacja modelu

• Metryki dokładności i wydajności modelu
• Techniki optymalizacji do wykonywania w czasie rzeczywistym
• Wdrażanie wytrenowanych modeli na platformach pojazdów autonomicznych

Studia przypadków i zastosowania w realnym świecie

• Analiza incydentów związanych z pojazdami autonomicznymi i wyzwań związanych z bezpieczeństwem
• Poznawanie udanych wdrożeń systemów jazdy opartych na sztucznej inteligencji
• Projekt: Opracowanie modelu sztucznej inteligencji do podążania pasem ruchu

Podsumowanie i kolejne kroki