State Estimation and Localization for Self-Driving Cars

National Taiwan University via Coursera

Aperçu

Bienvenue dans l'univers dynamique de L'Estimation d'État et la Localisation pour les Voitures Autonomes, un cours clé proposé par l'Université de Toronto, conçu comme partie de leur Spécialisation complète sur les Voitures Autonomes. Embarquez dans un voyage qui promet de vous fournir une connaissance profonde et des compétences dans l'utilisation de divers capteurs pour l'estimation d'état précise et la localisation vitales dans le fonctionnement des véhicules autonomes.

Ce cours avancé sert d'étape essentielle pour les apprenants désireux de plonger plus profondément dans le domaine de la conduite autonome, recommandant la complétion du premier cours de la spécialisation pour une expérience d'apprentissage sans accroc. Tout au long de ce curriculum, vous serez introduit à une gamme de technologies de capteurs et de méthodologies cruciales pour l'estimation des paramètres et de l'état, qui sont fondamentales pour la conduite autonome. Les points forts incluent :

Une plongée profonde dans la méthode des moindres carrés et d'autres techniques primordiales pour l'estimation des paramètres et de l'état.
La construction de modèles pour les capteurs typiques de localisation des véhicules, tels que le GPS et les IMUs, pour comprendre leur fonctionnalité et intégration.
La maîtrise de l'application d'algorithmes avancés comme les filtres de Kalman étendus et sans odeur pour une estimation robuste de l'état du véhicule.
L'exploration du scan matching LIDAR et de l'algorithme du Point le Plus Proche Itératif pour améliorer la précision de la localisation.
L'apprentissage de la fusion de données provenant de multiples flux de capteurs dans une estimation d'état cohésive, une compétence critique pour le développement de véhicules autonomes.

Pour le projet de fin d'études, vous relèverez le défi de mettre en œuvre le Filtre de Kalman Étendu à Erreur d'État (ES-EKF) en utilisant les données du simulateur CARLA, solidifiant vos compétences en localisation de véhicule. Ce cours est adapté pour les individus ayant une solide base en génie mécanique, en ingénierie informatique et électrique, ou en robotique, et une maîtrise de Python 3.0. De plus, une bonne compréhension de l'Algèbre Linéaire, des Statistiques, du Calcul et de la Physique est requise pour bénéficier pleinement de ce cours. Proposé par la prestigieuse Université de Toronto et disponible sur Coursera, ce cours fait partie des catégories de Cours sur les Véhicules Autonomes et les Filtres de Kalman, établissant un standard de spécialisation dans le domaine.