Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Návrh Školení
Úvod do fúze dat z více senzorů
- Důležitost fúze dat při autonomní navigaci
- Výzvy spojené s integrací dat z více senzorů
- Praktické využití fúze dat pro reálné vnímání okolí
Senzorové technologie a charakteristiky jejich dat
- LiDAR: Generování a zpracování bodových mraků
- Kamera: Zachycování vizuálních informací a zpracování obrazu
- Radar: Detekce objektů a odhad jejich rychlosti
- Inerciální měřicí jednotky (IMU): Sledování pohybu
Základy fúze dat
- Matematické základy: Kalmanovy filtry, Bayesovský odhad
- Metody přiřazení a synchronizace dat<\/li>
- Řešení problémů s šumem v datech a nejistotami
Algoritmy pro fúzi dat určené k autonomní navigaci
- Kalmanův filtr a rozšířený Kalmanův filtr (EKF)
- Částicový filtr vhodný pro nelineární systémy
- Nesmírně přesný Kalmanův filtr (UKF) určený k modelování složitých dynamických jevů
- Přiřazení dat pomocí metody nejbližšího souseda a kombinovaného pravděpodobnostního přiřazení (JPDA)
Vyvývoj praktických řešení pro fúzi senzorových dat
- Integrace dat z LiDARu a kamer za účelem detekce objektů
- Fúze dat z radaru a kamer na účely odhadu rychlosti pohybu objektů
- Kombinace dat z GPS a IMU pro přesnou lokalizaci vozidla
Reálné zpracování a synchronizace dat
- Metody časového označení a synchronizace dat
- Řešení problémů spojených s latencí a optimalizace reakcí v reálném čase
- Správa dat pocházejících z asynchronních senzorů
Pokročilé techniky a jejich aplikace
- Využití hlubokého učení při fúzi dat
- Integrace multimodálních dat a extrakce užitečných rysů
- Nakládání s poruchami či chybějícími údaji ze senzorů
Hodnocení výkonnosti systémů pro fúzi dat
- Metriky pro kvantitativní hodnocení přesnosti fúze dat
- Analýza chování systému za různých podmínek prostředí
- Zvyšování odolnosti a spolehlivosti celého systému
Příklady z praxe a reálné aplikace
- Fúze dat v prototypech autonomních vozidel
- Úspěšné nasazení algoritmů pro fúzi senzorových dat v reálném provozu
- Praktický workshop: Implementace komplexního systému pro fúzi dat z více senzorů
Shrnutí a další směry rozvoje
Požadavky
- Zkušenosti s programováním v Pythonu
- Znalost základních senzorových technologií (např. LiDAR, kamery, radar)
- Orientace v ROS a zpracování dat
Cílové skupiny
- Specialisté na fúzi senzorových dat pracující na systémech autonomní navigace
- Inženýři umělé inteligence zaměření na integraci více senzorů a zpracování jejich dat
- Výzkumníci v oblasti vnímání prostředí u autonomních vozidel
21 Hodiny
