Advanced Path Planning Algorithms for Autonomous Vehicles

• Biegłość w programowaniu Python
• Doświadczenie z systemami robotycznymi i algorytmami sterowania
• Znajomość technologii pojazdów autonomicznych

Odbiorcy

• Inżynierowie Robotics specjalizujący się w systemach autonomicznych
• Badacze AI koncentrujący się na planowaniu ścieżki i nawigacji
• Zaawansowani programiści pracujący nad technologią autonomicznej jazdy

Advanced Path Planning Algorithms for Autonomous Vehicles to specjalistyczny kurs skupiający się na najnowocześniejszych technikach efektywnej i bezpiecznej nawigacji w dynamicznych środowiskach.

To prowadzone przez instruktora, interaktywne szkolenie (online lub stacjonarne) skierowane jest do zaawansowanych inżynierów robotyki i badaczy AI, którzy chcą wdrożyć wyrafinowane algorytmy planowania ścieżki w celu poprawy wydajności pojazdów autonomicznych.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Zrozumieć teoretyczne podstawy zaawansowanych algorytmów planowania ścieżki.
• Wdrożyć algorytmy takie jak RRT*, A* i D* do nawigacji w czasie rzeczywistym.
• Optymalizować planowanie ścieżki pod kątem unikania przeszkód i dynamicznych środowisk.
• Zintegrować algorytmy planowania ścieżki z danymi z czujników w celu zwiększenia dokładności.
• Oceniać wydajność różnych algorytmów w praktycznych scenariuszach.

Format Kursu

• Interaktywny wykład i dyskusja.
• Dużo ćwiczeń i praktyki.
• Praktyczna implementacja w środowisku laboratorium na żywo.

Opcje Dostosowania Kursu

• Aby poprosić o dostosowanie tego kursu, prosimy o kontakt w celu ustalenia szczegółów.

Wprowadzenie do planowania ścieżek dla pojazdów autonomicznych

• Podstawy i wyzwania planowania ścieżek
• Zastosowania w autonomicznej jeździe i robotyce
• Przegląd tradycyjnych i nowoczesnych technik planowania

Algorytmy planowania ścieżek oparte na grafach

• Przegląd algorytmów A* i Dijkstra
• Implementacja A* do planowania ścieżek w oparciu o siatkę
• Warianty dynamiczne: D* i D* Lite do zmieniających się środowisk

Algorytmy planowania ścieżek oparte na próbkowaniu

• Techniki losowego próbkowania: RRT i RRT*
• Wygładzanie i optymalizacja ścieżki
• Obsługa ograniczeń nieholonomicznych

Planowanie ścieżek oparte na optymalizacji

• Formułowanie problemu planowania ścieżki jako problemu optymalizacyjnego
• Optymalizacja trajektorii z wykorzystaniem programowania nieliniowego
• Techniki optymalizacji oparte na gradiencie i bez gradientu

Planowanie ścieżek oparte na uczeniu maszynowym

• Uczenie ze wzmocnieniem (DRL) do optymalizacji ścieżki
• Integrowanie DRL z tradycyjnymi algorytmami
• Adaptacyjne planowanie ścieżki z wykorzystaniem modeli uczenia maszynowego

Radzenie sobie z dynamicznymi i niepewnymi środowiskami

• Reactive techniki planowania w czasie rzeczywistym
• Unikanie przeszkód i sterowanie predykcyjne
• Integrowanie danych z percepcji w celu adaptacyjnej nawigacji

Ocena i benchmarking algorytmów planowania ścieżek

• Metryki efektywności, bezpieczeństwa i złożoności obliczeniowej ścieżki
• Symulacja i testowanie w ROS i Gazebo
• Studium przypadku: Porównanie RRT* i D* w złożonych scenariuszach

Studia przypadków i zastosowania w świecie rzeczywistym

• Planowanie ścieżek dla autonomicznych robotów dostawczych
• Zastosowania w samochodach autonomicznych i UAV
• Projekt: Implementacja adaptacyjnego planera ścieżek z wykorzystaniem RRT*

Podsumowanie i kolejne kroki