Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction à la fusion de données multi-capteurs
- Importance de la fusion de données dans la navigation autonome
- Défis de l'intégration multi-capteurs
- Applications de la fusion de données pour la perception en temps réel
Technologies des capteurs et caractéristiques des données
- LiDAR : Génération et traitement du nuage de points
- Caméra : Capture de données visuelles et traitement d'images
- RADAR : Détection d'objets et estimation de vitesse
- Unités de mesure inertielle (UMI) : Suivi des mouvements
Fondamentaux de la fusion de données
- fondements mathématiques : filtres de Kalman, inférence bayésienne
- Techniques d'association et d'alignement des données
- Gestion du bruit des capteurs et de l'incertitude
Algorithmes de fusion pour la navigation autonome
- Filtre de Kalman et Filtre de Kalman Élargi (EKF)
- Filtre particulaires pour les systèmes non linéaires
- Filtre de Kalman sans parfum (UKF) pour la dynamique complexe
- Association des données par plus proche voisin et Association probabiliste des données (JPDA)
Mise en œuvre pratique de la fusion de capteurs
- Intégration des données LiDAR et caméra pour la détection d'objets
- Fusion des données RADAR et caméra pour l'estimation de la vitesse
- Combinaison des données GPS et UMI pour un positionnement précis
Traitement et synchronisation des données en temps réel
- Méthodes d'étiquetage temporel et de synchronisation des données
- Gestion de la latence et optimisation des performances en temps réel
- Gestion des données provenant de capteurs asynchrones
Techniques avancées et défis
- Approches d'apprentissage profond pour la fusion de données
- Intégration de données multi-modales et extraction de caractéristiques
- Gestion des pannes de capteurs et des données dégradées
Évaluation et optimisation des performances
- Métriques d'évaluation quantitatives de la précision de la fusion
- Analyse des performances dans différentes conditions environnementales
- Amélioration de la robustesse et de la tolérance aux pannes du système
Études de cas et applications réelles
- Techniques de fusion dans les prototypes de véhicules autonomes
- Déploiements réussis d'algorithmes de fusion de capteurs
- Atelier : Mise en œuvre d'une chaîne de fusion de données multi-capteurs
Conclusion et prochaines étapes
Pré requis
- Expérience en programmation Python
- Connaissance des technologies de base des capteurs (par exemple, LiDAR, caméras, RADAR)
- Maîtrise de ROS et du traitement des données
Audience cible
- Spécialistes de la fusion de capteurs travaillant sur des systèmes de navigation autonome
- Ingénieurs en IA spécialisés dans l'intégration multi-capteurs et le traitement des données
- Chercheurs dans le domaine de la perception des véhicules autonomes
21 Heures