Prazos flexíveis

Prazos flexíveis
Redefinir os prazos de acordo com sua programação.
Certificado compartilhável
Ganhe um certificado após a conclusão
100% online
Comece instantaneamente e aprenda em sua própria programação.
Curso 2 de 4 no
Especialização de carros autônomos
Nível avançado
Este é um curso avançado, destinado a alunos com formação em engenharia mecânica, engenharia elétrica e de computador ou robótica.
Aproximadamente. 27 horas para concluir
Inglês
Legendas: árabe, francês, português (europeu), italiano, vietnamita, alemão, russo, inglês, espanhol

Jonathan Kelly
professor associado
Estudos aeroespaciais
Steven Waslander
professor associado
Studiessyllabus aeroespacial – o que você aprenderá com este curso
Módulo 0: Bem-vindo ao Curso 2: Estimativa e localização do estado para carros autônomos
Este módulo apresenta os principais conceitos discutidos no curso e apresenta o layout do curso. O módulo descreve e motiva os problemas de estimativa e localização do estado para carros autônomos. É necessária uma estimativa precisa do estado do veículo e sua posição na estrada para dirigir com segurança.
Módulo 1: mínimos quadrados
O método dos mínimos quadrados, desenvolvido por Carl Friedrich Gauss em 1795, é uma técnica bem conhecida para estimar valores de parâmetros a partir de dados. Este módulo fornece uma revisão de mínimos quadrados, para os casos de observações não ponderadas e ponderadas. Existe uma conexão profunda entre os mínimos quadrados e estimadores de máxima verossimilhança (quando as observações são consideradas variáveis ​​aleatórias gaussianas) e essa conexão é estabelecida e explicada. Finalmente, o módulo desenvolve uma técnica para transformar o estimador tradicional de mínimos quadrados de ‘lote’ em uma forma recursiva, adequada para aplicativos de estimativa on-line em tempo real.
Módulo 2: Estimativa de Estado – filtros lineares e não lineares Kalman
Qualquer engenheiro que trabalha em veículos autônomos deve entender o filtro Kalman, descrito pela primeira vez em um artigo de Rudolf Kalman em 1960. O filtro foi reconhecido como um dos 10 principais algoritmos do século XX, é implementado em software que é executado em seu smartphone e nas aeronaves jato modernas e foi crucial para permitir que a espaçonave Apollo chegasse à lua. Este módulo deriva as equações do filtro Kalman de uma perspectiva de mínimos quadrados, para sistemas lineares. O módulo também examina por que o filtro Kalman é o melhor estimador linear imparcial (ou seja, é ideal no caso linear). O filtro Kalman, como publicado originalmente, é um algoritmo linear; No entanto, todos os sistemas na prática não são lineares até certo ponto. Logo após o desenvolvimento do filtro Kalman, foi estendido a sistemas não lineares, resultando em um algoritmo agora chamado de filtro Kalman ‘estendido’, ou EKF. O EKF é o ‘pão e manteiga’ dos estimadores de estado e deve estar na caixa de ferramentas de todos os engenheiros. Este módulo explica como o EKF opera (ou seja, através da linearização) e discute sua relação com o filtro Kalman original. O módulo também fornece uma visão geral do filtro Kalman sem perfume, um membro mais recentemente desenvolvido e muito popular da família Kalman Filter.
Módulo 3: GNSS/INS Sensing para estimativa de pose
Para navegar de maneira confiável, os veículos autônomos exigem uma estimativa de sua pose (posição e orientação) no mundo (e na estrada) o tempo todo. Assim como para as aeronaves modernas, essas informações podem ser derivadas de uma combinação de medições de GPS e dados do sistema de navegação inercial (INS). Este módulo apresenta modelos de sensores para receptores de medição inercial e GPS (e, mais amplamente, GNSS); As características de desempenho e ruído são revisadas. O módulo descreve maneiras pelas quais os dois sistemas de sensores podem ser usados ​​em combinação para fornecer estimativas precisas e robustas de pose de veículos.
Módulo 4: detecção de lidar
LiDAR (detecção de luz e detecção) é uma tecnologia capacitadora para veículos autônomos. Os sensores LiDAR podem “ver” mais do que as câmeras e podem fornecer informações precisas sobre o intervalo. Este módulo desenvolve um modelo básico de sensor LiDAR e explora como os dados do LIDAR podem ser usados ​​para produzir nuvens de ponto (coleções de pontos 3D em um quadro de referência específico). Os alunos examinarão maneiras pelas quais duas nuvens de ponto Lidar podem ser registradas ou alinhadas, a fim de determinar como a pose do veículo mudou com o tempo (ou seja, a transformação entre dois quadros de referência local).
Módulo 5: Juntando -o – um estimador de estado de veículo autônomo
Este módulo combina materiais dos módulos 1-4 juntos, com o objetivo de desenvolver um estimador de estado de veículo completo. Os alunos criarão, usando dados do simulador Carla, um estimador baseado em filtro Kalman estendido pelo estado de erro que incorpora medições de GPS, IMU e Lidar para determinar a posição e a orientação do veículo na estrada a uma alta taxa de atualização. Haverá uma oportunidade de observar o que acontece com a qualidade da estimativa do estado quando um ou mais dos sensores ‘abandonaram’ ou estão desativados.