Pagtataya ng Estado at Lokalisasyon para sa mga Autonomous Vehicle

Upang ligtas na makapag-navigate, ang isang autonomous vehicle ay dapat na eksaktong alam kung nasaan ito sa mundo hanggang sa sentimetro. Ang pag-unawa kung paano pinoproseso ng mga self-driving car ang hilaw na data ng sensor upang tantiyahin ang kanilang posisyon at oryentasyon ay isang pangunahing kasanayan para sa sinumang naghahangad na robotics engineer. Sa text-based na kursong ito, lilipat ka mula sa pag-unawa sa mga pangunahing konsepto ng physics patungo sa pag-unawa sa pangunahing matematika at mga algorithm na nagpapagana sa modernong lokalisasyon ng autonomous vehicle. Pag-aaralan mo kung paano pinagsasama ng mga sasakyan ang data mula sa GNSS, inertial measurement units (IMU), at wheel odometry upang bumuo ng isang matatag at real-time na sistema ng pagtataya. Ang iyong mga matututunan: - Maunawaan ang mga pangunahing kinematics at coordinate frame na ginagamit sa pagmomodelo ng galaw ng sasakyan. - Mag-apply ng least squares estimation at Kalman filtering upang iproseso ang maingay na mga sukat ng sensor. - Mag-implement ng mga teknik sa sensor fusion na pinagsasama ang data ng GNSS, IMU, at odometry. - Galugarin ang mga modernong paradigm sa pagtataya ng estado, kabilang ang mga Extended Kalman Filter (EKF) at mga error-state formulation. - Suriin ang mga matatag na paraan ng pagtataya at outlier rejection upang mahawakan ang mga anomalya ng sensor at pagkawala ng signal. Nagsisimula ang kurso sa mga pangunahing konsepto sa kinematics, probability, at mga coordinate system bago sumulong sa recursive state estimation, Kalman filtering, at mga modernong estratehiya sa multi-sensor fusion. Ang kursong ito ay idinisenyo para sa mga nagsisimula na interesado sa robotics at mga autonomous system, na nangangailangan lamang ng pangunahing linear algebra at pamilyar sa pangkalahatang programming. Walang kinakailangang naunang karanasan sa self-driving hardware. Magsimulang matutunan ang algorithmic core ng lokalisasyon ng autonomous vehicle ngayon.