Kursplan

Introduktion till Multi-Sensor Data Fusion

  • Betydelsen av datafusion inom autonom navigering
  • Utmaningar med multi-sensorintegration
  • Tillämpningar av datafusion inom realtidsperception

Sensorteknologier och dataegenskaper

  • LiDAR: Generering och bearbetning av punktmoln
  • Kamera: Visuell datainsamling och bildbehandling
  • RADAR: Objektdetektering och hastighetsuppskattning
  • Inertial Measurement Units (IMUs): Rörelsespårning

Grundläggande principer för Data Fusion

  • Mathematical grunder: Kalmanfilter, Bayesiansk inferens
  • Dataassociation och aligneringstekniker
  • Hantering av sensorbrus och osäkerhet

Fusionsalgoritmer för autonom navigering

  • Kalmanfilter och Extended Kalman Filter (EKF)
  • Particle Filter för icke-linjära system
  • Unscented Kalman Filter (UKF) för komplex dynamik
  • Dataassociation med hjälp av Nearest Neighbor och Joint Probabilistic Data Association (JPDA)

Praktisk Sensor Fusion Implementering

  • Integrering av LiDAR- och kameradata för objektdetektering
  • Fusion av RADAR- och kameradata för hastighetsuppskattning
  • Kombinering av GPS- och IMU-data för exakt lokalisering

Realtidsdatabehandling och synkronisering

  • Tidsstämpling och datasykroniseringsmetoder
  • Latenshantering och optimering av realtidsprestanda
  • Hantering av data från asynkrona sensorer

Avancerade tekniker och utmaningar

  • Djupinlärningsmetoder för datafusion
  • Multi-modal dataintegration och feature extraction
  • Hantering av sensorfel och försämrad data

Prestanda utvärdering och optimering

  • Kvantitativa utvärderingsmått för fusionsnoggrannhet
  • Prestanda analys under olika miljöförhållanden
  • Förbättring av systemets robusthet och feltolerans

Fallstudier och verkliga applikationer

  • Fusionstekniker i autonoma fordonsprototyper
  • Framgångsrik implementering av sensorfusionsalgoritmer
  • Workshop: Implementering av en multi-sensorfusionspipeline

Sammanfattning och nästa steg

Krav

  • Erfarenhet av Python-programmering
  • Kunskaper om grundläggande sensortekniker (t.ex. LiDAR, kameror, RADAR)
  • Bekantskap med ROS och databehandling

Målgrupp

  • Sensorfusionsspecialister som arbetar med autonoma navigeringssystem
  • AI-ingenjörer med fokus på multi-sensorsintegration och databehandling
  • Forskare inom området för autonom fordonsperception
 21 timmar

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier