Prenez contact avec nous

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

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires