Multi-Sensor Data Fusion for Autonomous Navigation

• Doświadczenie w programowaniu Python
• Znajomość podstawowych technologii czujników (np. LiDAR, kamery, RADAR)
• Zapoznanie z ROS i przetwarzaniem danych

Odbiorcy

• Specjaliści ds. fuzji danych czujnikowych pracujący nad autonomicznymi systemami nawigacyjnymi
• Inżynierowie AI skupieni na integracji wielu czujników i przetwarzaniu danych
• Badacze w dziedzinie percepcji pojazdów autonomicznych

Multi-Sensor Data Fusion for Autonomous Navigation to specjalistyczny kurs, którego celem jest nauczenie specjalistów, jak integrować dane z wielu czujników w celu poprawy nawigacji, percepcji i podejmowania decyzji w pojazdach autonomicznych.

To prowadzone przez instruktora, na żywo szkolenie (online lub na miejscu) skierowane jest do zaawansowanych specjalistów ds. fuzji sensorów i inżynierów AI, którzy chcą opracować algorytmy fuzji danych z wielu czujników i zoptymalizować nawigację w czasie rzeczywistym w systemach autonomicznych.

Po zakończeniu tego szkolenia uczestnicy będą mogli:

• Zrozumieć podstawy i wyzwania fuzji danych z wielu czujników.
• Implementować algorytmy fuzji sensorów do nawigacji autonomicznej w czasie rzeczywistym.
• Integrować dane z LiDAR, kamer i RADAR w celu poprawy percepcji.
• Analizować i oceniać wydajność systemu fuzji w różnych warunkach.
• Opracowywać praktyczne rozwiązania do redukcji szumów i dopasowywania danych z czujników.

Format Kursu

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

Opcje Dostosowania Kursu

• Aby poprosić o dostosowane szkolenie w ramach tego kursu, skontaktuj się z nami, aby to zaaranżować.

Wprowadzenie do fuzji danych z wielu czujników

• Znaczenie fuzji danych w autonomicznej nawigacji
• Wyzwania integracji danych z wielu czujników
• Zastosowania fuzji danych w percepcji w czasie rzeczywistym

Technologie czujników i charakterystyka danych

• LiDAR: Generowanie i przetwarzanie chmury punktów
• Kamera: Przechwytywanie danych wizualnych i przetwarzanie obrazów
• RADAR: Wykrywanie obiektów i szacowanie prędkości
• Inercyjne Jednostki Pomiarowe (IMU): Śledzenie ruchu

Podstawy fuzji danych

• MathematicaPodstawy: Filtry Kalmana, wnioskowanie bayesowskie
• Techniki asocjacji i dopasowania danych
• Radzenie sobie z szumem czujników i niepewnością

Algorytmy fuzji dla autonomicznej nawigacji

• Filtr Kalmana i Rozszerzony Filtr Kalmana (EKF)
• Filtr cząstkowy dla systemów nieliniowych
• Niestandardowy Filtr Kalmana (UKF) dla złożonej dynamiki
• Asocjacja danych przy użyciu Metody Najbliższego Sąsiada i Wspólnego Prawdopodobieństwa Asocjacji Danych (JPD)

Praktyczna Sensor Fusion Implementacja

• Integrowanie danych LiDAR i kamery do wykrywania obiektów
• Łączenie danych RADAR i kamery do szacowania prędkości
• Łączenie danych GPS i IMU w celu dokładnej lokalizacji

Przetwarzanie i synchronizacja danych w czasie rzeczywistym

• Metody oznaczania czasu i synchronizacji danych
• Obsługa opóźnień i optymalizacja wydajności w czasie rzeczywistym
• Zarządzanie danymi z czujników asynchronicznych

Zaawansowane techniki i wyzwania

• Podejścia uczenia głębokiego do fuzji danych
• Integracja danych wielomodalnych i ekstrakcja cech
• Radzenie sobie z awariami czujników i danymi o obniżonej jakości

Ocena i optymalizacja wydajności

• Ilościowe wskaźniki oceny dokładności fuzji
• Analiza wydajności w różnych warunkach środowiskowych
• Poprawa niezawodności systemu i tolerancji na błędy

Studia przypadków i zastosowania w świecie rzeczywistym

• Techniki fuzji w prototypach autonomicznych pojazdów
• Pomyślne wdrożenie algorytmów fuzji czujników
• Warsztat: Implementacja potoku fuzji z wielu czujników

Podsumowanie i kolejne kroki