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 fuzji danych z wielu czujników
- Znaczenie fuzji danych w autonomicznej nawigacji
- Wyzwania związane z integracją wielu czujników
- Zastosowania fuzji danych w percepcji w czasie rzeczywistym
Technologie czujników i charakterystyka danych
- LiDAR: Generowanie i przetwarzanie chmur punktów
- Kamery: Przechwytywanie danych wizualnych i przetwarzanie obrazu
- RADAR: Wykrywanie obiektów i estymacja prędkości
- Jednostki pomiarowe inercyjne (IMU): Śledzenie ruchu
Podstawy fuzji danych
- Podstawy matematyczne: Filtry Kalmana, wnioskowanie bayesowskie
- Techniki asocjacji i wyrównywania danych
- Radzenie sobie z szumem czujników i niepewnością
Algorytmy fuzji dla autonomicznej nawigacji
- Filtr Kalmana i Rozszerzony Filtr Kalmana (EKF)
- Filtr cząsteczkowy dla systemów nieliniowych
- Niescentrowany Filtr Kalmana (UKF) dla złożonych dynamik
- Asocjacja danych przy użyciu metody Najbliższego Sąsiada i Wspólnej Probabilistycznej Asocjacji Danych (JPDA)
Praktyczna implementacja fuzji czujników
- Integracja danych z LiDAR i kamery do wykrywania obiektów
- Fuzja danych z RADAR i kamery do estymacji prędkości
- Łączenie danych GPS i IMU do dokładnej lokalizacji
Przetwarzanie i synchronizacja danych w czasie rzeczywistym
- Metody znaczników czasowych i synchronizacji danych
- Zarządzanie opóźnieniami i optymalizacja wydajności w czasie rzeczywistym
- Zarządzanie danymi z asynchronicznych czujników
Zaawansowane techniki i wyzwania
- Podejścia oparte na uczeniu głębokim do fuzji danych
- Integracja danych wielomodalnych i ekstrakcja cech
- Radzenie sobie z awariami czujników i zdegradowanymi danymi
Ocena wydajności i optymalizacja
- Ilościowe metryki oceny dokładności fuzji
- Analiza wydajności w różnych warunkach środowiskowych
- Poprawa odporności i tolerancji na błędy systemu
Studia przypadków i zastosowania w rzeczywistym świecie
- Techniki fuzji w prototypach pojazdów autonomicznych
- Skuteczne wdrożenia algorytmów fuzji czujników
- Warsztaty: Implementacja potoku fuzji wielu czujników
Podsumowanie i kolejne kroki
Wymagania
- Doświadczenie w programowaniu w Pythonie
- Znajomość podstawowych technologii czujników (np. LiDAR, kamery, RADAR)
- Znajomość ROS i przetwarzania danych
Grupa docelowa
- Specjaliści od fuzji czujników pracujący nad systemami autonomicznej nawigacji
- Inżynierowie AI zajmujący się integracją wielu czujników i przetwarzaniem danych
- Badacze w dziedzinie percepcji pojazdów autonomicznych
21 godzin