Estimación de Estado y Localización para Vehículos Autónomos

Para navegar de forma segura, un vehículo autónomo debe saber exactamente dónde se encuentra en el mundo, hasta el centímetro. Comprender cómo los coches autónomos procesan los datos brutos de los sensores para estimar su posición y orientación es una habilidad fundamental para cualquier ingeniero de robótica aspirante. En este curso basado en texto, pasarás de comprender conceptos básicos de física a dominar las matemáticas y los algoritmos centrales que impulsan la localización moderna de vehículos autónomos. Estudiarás cómo los vehículos combinan datos de GNSS, unidades de medición inercial (IMU) y odometría de ruedas para construir un sistema de estimación robusto y en tiempo real. Lo que aprenderás: - Comprender la cinemática fundamental y los marcos de coordenadas utilizados en el modelado del movimiento del vehículo. - Aplicar la estimación de mínimos cuadrados y el filtrado de Kalman para procesar mediciones de sensores ruidosas. - Implementar técnicas de fusión de sensores que combinan datos de GNSS, IMU y odometría. - Explorar paradigmas modernos de estimación de estado, incluidos los filtros de Kalman extendidos (EKF) y las formulaciones de estado de error. - Analizar métodos de estimación robustos y rechazo de valores atípicos para manejar anomalías de sensores y caídas de señal. El curso comienza con conceptos fundamentales en cinemática, probabilidad y sistemas de coordenadas antes de avanzar a la estimación recursiva de estado, el filtrado de Kalman y las estrategias modernas de fusión multisensores. Este curso está diseñado para principiantes interesados en robótica y sistemas autónomos, requiriendo solo álgebra lineal básica y familiaridad general con la programación. No se requiere experiencia previa con hardware de conducción autónoma. Comienza a aprender el núcleo algorítmico de la localización de vehículos autónomos hoy mismo.