Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
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