Оценка состояния и локализация для автономных транспортных средств

Чтобы безопасно перемещаться, автономный автомобиль должен точно знать, где он находится в мире, с точностью до сантиметра. Понимание того, как самоуправляемые автомобили обрабатывают необработанные данные датчиков для оценки их положения и ориентации, является основополагающим навыком для любого начинающего инженера-робота. В этом текстовом курсе вы перейдете от понимания основных физических концепций к пониманию основных математических и алгоритмов, которые управляют современной автономной локализацией транспортных средств. Вы изучите, как транспортные средства объединяют данные из GNSS, инерционных измерительных устройств (IMU) и одометрии колес для создания надежной системы оценки в реальном времени. Что вы узнаете: - Понять основные принципы кинематической модели и координатные системы, используемые при моделировании движения транспортного средства. - Применение метода наименьших квадратов и фильтрации Калмана для обработки данных с шумовыми датчиками. - внедрение методов слияния датчиков, которые объединяют данные ГНСС, IMU и одометрические данные. - Изучить современные парадигмы оценки состояния, включая расширенные фильтры Калмана (EKF) и формулировки состояния ошибки. - Анализ методов надежной оценки и отклонения отклоняющихся значений для учета аномалий датчиков и отключений сигналов. Курс начинается с основных понятий кинематики, вероятности и координатных систем, а затем переходит к рекурсивной оценке состояния, фильтрации Калмана и современным стратегиям слияния нескольких датчиков. Этот курс предназначен для начинающих, интересующихся робототехникой и автономными системами, требуя только базовой линейной алгебры и общего знакомства с программированием. Не требуется предыдущего опыта работы с самоуправляемым оборудованием. Начните изучать алгоритмическое ядро автономной локализации транспортных средств сегодня.