Zustandsschätzung und Lokalisierung für autonome Fahrzeuge

Um sicher zu navigieren, muss ein autonomes Fahrzeug auf den Zentimeter genau wissen, wo es sich in der Welt befindet.Das Verständnis, wie selbstfahrende Autos Rohdaten von Sensoren verarbeiten, um ihre Position und Ausrichtung abzuschätzen, ist eine Grundfertigkeit für jeden aufstrebenden Robotik-Ingenieur. In diesem textbasierten Kurs lernen Sie, wie Fahrzeuge Daten aus GNSS, Inertial Measurement Units (IMUs) und Rad-Odometrie kombinieren, um ein robustes Echtzeit-Schätzsystem zu erstellen.Sie werden lernen, wie Sie die Daten aus verschiedenen Quellen kombinieren und die Ergebnisse in einem Echt-Zeit-System zusammenführen. Was Sie lernen werden: - Verstehen Sie die grundlegenden Kinematik- und Koordinatenrahmen, die bei der Modellierung von Fahrzeugbewegungen verwendet werden. - Wenden Sie die Schätzung der kleinsten Quadrate und die Kalman-Filterung an, um rauschbelastete Sensormessungen zu verarbeiten. - Implementieren Sie Sensorfusionstechniken, die GNSS-, IMU- und Odometriedaten kombinieren. - Erkunden Sie moderne Zustandsschätzungsparadigmen, einschließlich erweiterter Kalman-Filter (EKF) und Fehlerzustandsformulierungen. - Analysieren Sie robuste Schätzmethoden und Ausreißerverwerfung, um Sensoranomalien und Signalausfälle zu bewältigen. Der Kurs beginnt mit grundlegenden Konzepten in Kinematik, Wahrscheinlichkeit und Koordinatensystemen, bevor er zur rekursiven Zustandsschätzung, Kalman-Filterung und modernen Multi-Sensor-Fusionsstrategien übergeht. Dieser Kurs richtet sich an Einsteiger, die sich für Robotik und autonome Systeme interessieren. Grundlegende Kenntnisse in linearer Algebra und allgemeine Programmierkenntnisse sind erforderlich. Vorkenntnisse mit selbstfahrender Hardware sind nicht erforderliche. Lernen Sie noch heute den algorithmischen Kern der autonomen Fahrzeuglokalisierung kennen.