Zustandsschätzung und Lokalisierung für selbstfahrende Autos Das Universitätsnetzwerk

Beschreibung

Willkommen bei State Estimation and Localization für selbstfahrende Autos, dem zweiten Kurs in der Spezialisierung für selbstfahrende Autos der Universität von Toronto. Wir empfehlen Ihnen, vor diesem Kurs den ersten Kurs in der Spezialisierung zu belegen.

Dieser Kurs führt Sie in die verschiedenen Sensoren ein und wie wir sie zur Zustandsschätzung und Lokalisierung in einem selbstfahrenden Auto verwenden können. Am Ende dieses Kurses können Sie:
- Verstehen Sie die wichtigsten Methoden zur Parameter- und Zustandsschätzung, die für das autonome Fahren verwendet werden, z. B. die Methode der kleinsten Quadrate
- Entwicklung eines Modells für typische Fahrzeuglokalisierungssensoren, einschließlich GPS und IMUs
- Wenden Sie erweiterte und geruchsneutrale Kalman-Filter auf ein Problem der Fahrzeugzustandsschätzung an
- Verstehen Sie den LIDAR-Scan-Abgleich und den Iterative Closest Point-Algorithmus
- Wenden Sie diese Tools an, um mehrere Sensorströme zu einer einzigen Zustandsschätzung für ein selbstfahrendes Auto zusammenzuführen

Für das Abschlussprojekt in diesem Kurs implementieren Sie den erweiterten Fehlerzustands-Kalman-Filter (ES-EKF), um ein Fahrzeug mithilfe von Daten aus dem CARLA-Simulator zu lokalisieren.

Dies ist ein fortgeschrittener Kurs für Lernende mit einem Hintergrund in Maschinenbau, Computer- und Elektrotechnik oder Robotik. Um in diesem Kurs erfolgreich zu sein, sollten Sie Programmiererfahrung in Python 3.0, Kenntnisse in linearer Algebra (Matrizen, Vektoren, Matrixmultiplikation, Rang, Eigenwerte und Vektoren und Inversen), Statistik (Gaußsche Wahrscheinlichkeitsverteilungen), Analysis und Physik (Kräfte, Momente) haben Trägheit, Newtons Gesetze).