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 dans la perception en temps réel

Technologies des capteurs et caractéristiques des données

  • LiDAR : génération et traitement des nuages de points
  • Caméra : capture de données visuelles et traitement d'images
  • RADAR : détection d'objets et estimation de vitesse
  • Unités de mesure inertielle (IMU) : suivi du mouvement

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 Étendu (EKF)
  • Filtre de particules pour les systèmes non linéaires
  • Filtre de Kalman Unscented (UKF) pour la dynamique complexe
  • Association de données utilisant le voisin le plus proche et l'Association de Données Probabilistes Jointes (JPDA)

Mise en œuvre pratique de la fusion de capteurs

  • Intégration des données LiDAR et caméras pour la détection d'objets
  • Fusion des données RADAR et caméras pour l'estimation de la vitesse
  • Combinaison des données GPS et IMU pour une localisation précise

Traitement des données en temps réel et synchronisation

  • Méthodes de timestamp 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 des performances et optimisation

  • Métriques quantitatives d'évaluation 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
  • Déploiement réussi des algorithmes de fusion de capteurs
  • Atelier : implémentation d'un pipeline de fusion multi-capteurs

Synthèse et prochaines étapes

Pré requis

  • Expérience avec la programmation Python
  • Connaissance des technologies de base des capteurs (par exemple, LiDAR, caméras, RADAR)
  • Maîtrise de ROS et du traitement des données

Public 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