Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Plan Szkolenia
Wprowadzenie do AI w pojazdach autonomicznych
- Zrozumienie poziomów autonomicznej jazdy i integracji AI
- Przegląd frameworków i bibliotek AI używanych w autonomicznej jeździe
- Trendy i innowacje w autonomii pojazdów napędzanej AI
Podstawy uczenia głębokiego dla autonomicznej jazdy
- Architektury sieci neuronowych dla samochodów autonomicznych
- Splotowe sieci neuronowe (CNN) do przetwarzania obrazów
- Rekurencyjne sieci neuronowe (RNN) dla danych czasowych
Przetwarzanie obrazu dla autonomicznej jazdy
- Wykrywanie obiektów przy użyciu YOLO i SSD
- Techniki wykrywania pasa ruchu i śledzenia drogi
- Segmentacja semantyczna dla percepcji środowiska
Uczenie ze wzmocnieniem dla decyzji jazdy
- Procesy decyzyjne Markowa (MDP) w pojazdach autonomicznych
- Trenowanie modeli głębokiego uczenia ze wzmocnieniem (DRL)
- Uczenie oparte na symulacji dla polityk jazdy
Fuzja danych z czujników i percepcja
- Integracja danych z LiDAR, RADAR i kamer
- Filtracja Kalmana i techniki fuzji danych z czujników
- Przetwarzanie danych z wielu czujników dla mapowania środowiska
Modele uczenia głębokiego do przewidywania jazdy
- Budowanie modeli przewidywania zachowań
- Prognozowanie trajektorii dla unikania przeszkód
- Rozpoznawanie stanu i intencji kierowcy
Ocena i optymalizacja modeli
- Metryki dokładności i wydajności modeli
- Techniki optymalizacji dla wykonania w czasie rzeczywistym
- Wdrażanie wytrenowanych modeli na platformach pojazdów autonomicznych
Studia przypadków i zastosowania w rzeczywistym świecie
- Analiza incydentów z udziałem pojazdów autonomicznych i wyzwań związanych z bezpieczeństwem
- Eksploracja udanych wdrożeń systemów jazdy napędzanych AI
- Projekt: Opracowanie modelu AI do śledzenia pasa ruchu
Podsumowanie i kolejne kroki
Wymagania
- Znajomość programowania w Pythonie
- Doświadczenie w zakresie frameworków do uczenia maszynowego i głębokiego
- Znajomość technologii motoryzacyjnych i przetwarzania obrazu
Grupa docelowa
- Naukowcy zajmujący się danymi, którzy chcą pracować nad aplikacjami związanymi z autonomiczną jazdą
- Specjaliści AI skupiający się na rozwoju AI w motoryzacji
- Deweloperzy zainteresowani technikami uczenia głębokiego dla samochodów autonomicznych
21 godzin