Фильтр Калмана — Часть 1

Этот курс познакомит вас с различными датчиками и тем, как мы можем использовать их для оценки состояния и локализации в беспилотном автомобиле. К концу этого курса вы сможете: - Понимать ключевые методы оценки параметров и состояния, используемые для автономного вождения, такие как метод наименьших квадратов - Разрабатывать модель для типичных датчиков локализации транспортного средства, включая GPS и IMU - Применять расширенные и неотрицательные фильтры Калмана к задаче оценки состояния транспортного средства - Понимать сопоставление сканирования LIDAR и алгоритм итеративной ближайшей точки - Применять эти инструменты для объединения потоков нескольких датчиков в единую оценку состояния для беспилотного автомобиля Для итогового проекта этого курса вы будете применять расширенный фильтр Калмана ошибки-состояния (ES-EKF) для локализации транспортного средства с использованием данных из симулятора CARLA. Это продвинутый курс, предназначенный для учащихся с опытом работы в области машиностроения, компьютерной и электротехники или робототехники. Для успешного прохождения этого курса вам необходимо иметь опыт программирования на Python 3.0, знакомство с линейной алгеброй (матрицы, векторы, умножение матриц, ранг, собственные значения, векторы и обратные им величины), статистикой (гауссовское распределение вероятностей), исчислением и физикой (силы, моменты, инерция, законы Ньютона).