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 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