آموزش فیلتر کالمن پیشرفته و فیوژن سنسور

Advanced Kalman Filtering and Sensor Fusion

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: تئوری و پیاده سازی شبیه سازی C++ برای وسایل نقلیه خودران و خودروهای خودران! نحوه استفاده از فیلتر کالمن خطی برای حل مسائل تخمین بهینه خطی نحوه استفاده از فیلتر کالمن توسعه یافته برای حل مسائل تخمین غیر خطی نحوه استفاده از فیلتر کالمن بدون عطر برای حل مسائل تخمین غیر خطی نحوه استفاده از فیلتر کالمن بدون عطر برای حل مسائل تخمین غیر خطی نحوه استفاده از فیوز در اندازه گیری چندین سنسور همه در حال اجرا با نرخ های مختلف به روز رسانی نحوه تنظیم فیلتر کالمن برای بهترین عملکرد نحوه تنظیم صحیح فیلتر کالمن برای عملکرد قوی نحوه مدل سازی خطاهای حسگر در داخل فیلتر کالمن نحوه استفاده از تشخیص خطا برای حذف اندازه گیری های بد حسگر نحوه اجرای 3 کالمن بالا انواع فیلتر در C++ نحوه پیاده سازی LKF در C++ برای مشکل ردیابی دو بعدی نحوه پیاده سازی EKF و UKF در C++ برای مشکل ماشین خودران خودران پیش نیازها:یک ذهن کنجکاو! حساب پایه: توابع، مشتقات، جبر خطی انتگرال: عملیات ماتریس و برداری احتمال پایه دانش برنامه نویسی پایه C++

باید با Sensor Fusion و Kalman Filtering آشنا شوید! نحوه استفاده از این مفاهیم و اجرای آنها را با تمرکز بر وسایل نقلیه خودران در این دوره بیاموزید.

فیلتر کالمن یکی از بزرگترین اکتشافات در تاریخ تخمین و تئوری همجوشی داده ها و شاید یکی از بزرگترین اکتشافات مهندسی در قرن بیستم است. بشر را قادر به انجام و ساختن بسیاری از چیزها کرده است که در غیر این صورت ممکن نبود. کاربرد فوری در کنترل سیستم‌های دینامیکی پیچیده مانند اتومبیل‌ها، هواپیماها، کشتی‌ها و فضاپیماها دارد.

این مفاهیم به‌طور گسترده در مهندسی و ساخت استفاده می‌شوند، اما در بسیاری از زمینه‌های دیگر مانند شیمی، زیست‌شناسی، مالی، اقتصاد و غیره نیز استفاده می‌شوند.

چرا باید روی Sensor Fusion و Kalman Filtering تمرکز کنیم

  • Data Fusion ابزار شگفت انگیزی است که تقریباً در هر فناوری مدرنی که شامل هر نوع سنجش، اندازه گیری یا اتوماسیون است، استفاده می شود.

  • فیلتر کالمن یکی از پرکاربردترین روش‌ها برای ترکیب داده‌ها است. با درک این فرآیند، روش‌های پیچیده‌تر را راحت‌تر درک خواهید کرد.

  • همجوشی سنسور یکی از کاربردهای کلیدی فیلتر کالمن است و به طور گسترده در وسایل نقلیه بدون سرنشین و خودروهای خودران استفاده می شود.

  • ارزیابی و تنظیم فیلتر کالمن برای بهترین عملکرد می‌تواند کمی "هنر سیاه" باشد، ما نکات و ساختاری را به شما ارائه می‌دهیم تا بدانید چگونه این کار را خودتان انجام دهید.

  • بنابراین وقت خود را برای حل یا اشکال‌زدایی مشکلاتی که با این دانش به راحتی قابل اجتناب هستند، تلف نمی‌کنید! یک متخصص موضوع شوید!

آنچه خواهید آموخت:

شما این تئوری را از ابتدا یاد خواهید گرفت، بنابراین می توانید به طور کامل نحوه عملکرد آن و پیامدهایی که چیزها در نتیجه نهایی دارند را درک کنید. شما همچنین پیاده سازی عملی تکنیک ها را یاد خواهید گرفت، بنابراین می دانید که چگونه تئوری را عملی کنید. در این دوره شما با یک شبیه سازی C++ کار خواهید کرد که شما را در اجرای روش های مختلف فیلتر کالمن برای وسایل نقلیه خودران هدایت می کند.

در پایان دوره، پروژه Capstone این است که فیلتر کالمن بدون عطر را پیاده سازی کند و آن را همانطور که در یک ماشین خودران واقعی یا وسیله نقلیه خودران استفاده می شود، اجرا کند!

پوشش خواهیم داد:

  • تئوری احتمال پیشینه پایه و سیستم

  • فیلتر کالمن خطی

  • فیلتر کالمن توسعه یافته

  • فیلتر کالمن بدون عطر

  • موضوعات پیشرفته برای Fusion حسگر، مانند تشخیص خطا و مدل‌سازی خطای حسگر.

  • پیاده سازی C++ در شبیه سازی برای مشکل همجوشی سنسور خودروی خودران.

در پایان این دوره خواهید دانست:

  • نحوه استفاده از فیلتر کالمن خطی برای حل مسائل تخمین بهینه خطی

  • نحوه استفاده از Extended Kalman Filter برای حل مسائل تخمین غیرخطی

  • نحوه استفاده از فیلتر کالمن بدون بو برای حل مسائل تخمین غیرخطی

  • نحوه ادغام در اندازه گیری چندین حسگر که همگی با نرخ به روز رسانی متفاوت کار می کنند

  • نحوه تنظیم فیلتر Kalman برای بهترین عملکرد

  • نحوه راه اندازی صحیح فیلتر Kalman برای عملکرد قوی

  • نحوه مدل‌سازی خطاهای حسگر در فیلتر کالمن

  • نحوه استفاده از تشخیص خطا برای حذف اندازه‌گیری‌های حسگر بد

  • نحوه پیاده سازی 3 نوع فیلتر کالمن در C++

  • نحوه پیاده سازی LKF در C++ برای مشکل ردیابی دو بعدی

  • نحوه پیاده سازی EKF و UKF در C++ برای مشکل ماشین خودران خودران

الزامات یا پیش نیازهای دوره چیست:

این دوره بخشی از مجموعه های پیشرفته تر است و به همین دلیل دارای چند پیش نیاز است:

  • حساب پایه: توابع، مشتقات، انتگرال ها

  • جبر خطی: عملیات ماتریس و برداری

  • احتمال اولیه

  • دانش برنامه نویسی پایه ++ C

این دوره برای چه کسانی است:

  • دانشجویان دانشگاه یا فراگیران مستقل.

  • مهندسان یا علاقه مندان به خودروهای رباتیک یا خودران.

  • مهندسین و دانشمندان شاغل.

  • متخصصان مهندسی که می‌خواهند تئوری ریاضی و مهارت‌های مربوط به فیلتر کالمن و فیوژن حسگر را بیاموزند.

  • توسعه‌دهندگان نرم‌افزاری که می‌خواهند مفاهیم اساسی پشت ترکیب داده‌ها را برای کمک به پیاده‌سازی یا پشتیبانی از توسعه کد ترکیب داده‌ها درک کنند.

  • هر کسی که قبلاً به ریاضیات "در تئوری" مسلط است و می‌خواهد نحوه پیاده‌سازی تئوری را در کد یاد بگیرد.

آنچه در این دوره دریافت خواهید کرد:

  • 8 ساعت سخنرانی ویدیویی شامل توضیحات و افکار پیاده روی، تصاویر، نمودارها و انیمیشن ها.

  • اسناد PDF برگه های تقلب با یادداشت ها و تمرین های مهم

  • کد شبیه‌سازی C++ برای نمونه ماشین خودران.

  • همه کد منبع و پشتیبانی دوستانه در منطقه Q A.

چرا من واجد شرایط تدریس این دوره هستم:

من در دهه گذشته به عنوان مهندس راهنما، ناوبری و کنترل برای تعدادی از شرکت های هوافضا و اتوماسیون، با تمرکز بر همجوشی حسگرها برای برآورد وضعیت هواپیما، موشک و وسیله نقلیه، استخدام شده ام. من این محتوا را به دانشجویان کارشناسی، کارشناسی ارشد و دکترا در حین تدریس در دانشگاه و به متخصصان مهندسی آموزش داده ام.

پس منتظر چی هستی؟؟

فیلم آموزشی دوره و نمونه های رایگان را تماشا کنید تا بتوانید ایده ای از نحوه دوره دریافت کنید. اگر فکر می‌کنید این دوره به شما کمک می‌کند پس ثبت نام کنید، اگر این دوره برای شما مناسب نیست، تضمین بازگشت پول را تضمین می‌کند.

امیدوارم به زودی شما را در دوره ببینم!

استیو


سرفصل ها و درس ها

خوش آمدی Welcome

  • به دوره خوش آمدید Welcome to the Course

  • طرح کلی دوره Course Outline

  • راه اندازی C++ Development Environment Setting Up C++ Development Environment

  • راه اندازی شبیه سازی C++ Setting Up C++ Simulation

  • شبیه سازی سی پلاس پلاس Readme C++ Simulation Readme

  • منابع دوره Course Resources

معرفی Introduction

  • سنسور فیوژن چیست؟ What is Sensor Fusion

  • فیوژن سنسور چگونه کار می کند How Does Sensor Fusion Work

  • یادداشت‌ها چگونه فیوژن سنسور کار می‌کند How Does Sensor Fusion Work Notes

  • فیلتر کالمن چیست؟ What is the Kalman Filter

  • یادداشت های فیلتر کالمن چیست؟ What is the Kalman Filter Notes

  • انواع فیلتر کالمن Types of Kalman Filters

  • انواع یادداشت های فیلتر کالمن Types of Kalman Filters Notes

  • نقشه راه یادگیری Learning Roadmap

  • نمای کلی شبیه سازی Simulation Overview

تئوری پس زمینه Background Theory

  • طرح کلی بخش Section Outline

  • احتمال پایه Basic Probability

  • آزمون احتمالات پایه Basic Probability Quiz

  • توابع چگالی احتمال Probability Density Functions

  • آزمون توابع چگالی احتمال Probability Density Functions Quiz

  • احتمال چند متغیره Multivariate Probability

  • آزمون احتمال چند متغیره Multivariate Probability Quiz

  • توابع چگالی احتمال گاوسی Gaussian Probability Density Functions

  • آزمون توابع چگالی احتمال گاوسی Gaussian Probability Density Functions Quiz

  • تبدیل خطی عدم قطعیت ها Linear Transformation of Uncertainties

  • آزمون تبدیل خطی عدم قطعیت ها Linear Transformation of Uncertainties Quiz

  • معادلات دیفرانسیل Differential Equations

  • نمایندگی فضایی ایالتی State Space Representation

  • زمان پیوسته و گسسته Continuous and Discrete Time

  • مدل های ریاضی Mathematical Models

  • تبدیل زمان گسسته Discrete Time Conversions

  • احتمال و تخمین Probability and Estimation

فیلتر کالمن خطی Linear Kalman Filter

  • فیلتر کالمن چگونه کار می کند How Does the Kalman Filter Work

  • چارچوب شبیه سازی Simulation Framework

  • مدل فرآیند Process Model

  • مرحله پیش بینی فیلتر کالمن Kalman Filter Prediction Step

  • پیاده سازی مرحله پیش بینی فیلتر کالمن Kalman Filter Prediction Step Implementation

  • توضیح مرحله پیش بینی فیلتر کالمن Kalman Filter Prediction Step Explanation

  • مرحله به روز رسانی فیلتر کالمن Kalman Filter Update Step

  • پیاده سازی مرحله به روز رسانی فیلتر کالمن Kalman Filter Update Step Implementation

  • توضیح مرحله به روز رسانی فیلتر کالمن Kalman Filter Update Step Explanation

  • شرایط اولیه فیلتر کالمن Kalman Filter Initial Conditions

  • خلاصه فیلتر کالمن Kalman Filter Summary

فیلتر کالمن توسعه یافته Extended Kalman Filter

  • فیلتر کالمن توسعه یافته چیست؟ What is the Extended Kalman Filter

  • چارچوب شبیه سازی EKF EKF Simulation Framework

  • مدل فرآیند دوبعدی خودرو 2D Vehicle Process Model

  • مرحله پیش‌بینی EKF (خلاصه) EKF Prediction Step (Summary)

  • یعقوبیان چیست؟ What are Jacobians

  • مرحله پیش‌بینی EKF (اشتقاق) EKF Prediction Step (Derivation)

  • مرحله پیش‌بینی EKF (مثال) EKF Prediction Step (Example)

  • مرحله پیش‌بینی فیلتر خودرو EKF 2D EKF 2D Vehicle Filter Prediction Step

  • EKF 2D Vehicle Prediction مرحله توضیح EKF 2D Vehicle Filter Prediction Step Explanation

  • مدل اندازه گیری لیدار Lidar Measurement Model

  • نوآوری اندازه گیری EKF (خلاصه) EKF Measurement Innovation (Summary)

  • نوآوری اندازه گیری EKF (اشتقاق) EKF Measurement Innovation (Derivation)

  • نوآوری اندازه گیری EKF (مثال) EKF Measurement Innovation (Example)

  • مرحله به روز رسانی EKF (خلاصه) EKF Update Step (Summary)

  • مرحله به‌روزرسانی EKF (اشتقاق) EKF Update Step (Derivation)

  • مرحله به‌روزرسانی EKF (مثال) EKF Update Step (Example)

  • مرحله به روز رسانی فیلتر خودرو EKF 2D EKF 2D Vehicle Filter Update Step

  • EKF 2D Vehicle Filter Update مرحله توضیح EKF 2D Vehicle Filter Update Step Explanation

  • محاسبه عددی ژاکوبین Numerical Jacobian Calculation

  • مثال محاسبه عددی ژاکوبین Numerical Jacobian Calculation Example

  • درک و بینش EKF EKF Understanding and Insights

  • خلاصه فیلتر کالمن توسعه یافته Extended Kalman Filter Summary

فیلتر کالمن بدون عطر Unscented Kalman Filter

  • فیلتر کالمن بدون عطر چیست؟ What is the Unscented Kalman Filter

  • دگرگونی بدون بو Unscented Transformation

  • چارچوب شبیه سازی UKF UKF Simulation Framework

  • مرحله پیش‌بینی UKF (خلاصه) UKF Prediction Step (Summary)

  • ریشه مربع ماتریس Matrix Square Root

  • مرحله پیش‌بینی فیلتر خودرو دو بعدی UKF UKF 2D Vehicle Filter Prediction Step

  • توضیح مرحله پیش‌بینی فیلتر خودرو دو بعدی UKF UKF 2D Vehicle Filter Prediction Step Explanation

  • نوآوری اندازه گیری UKF (خلاصه) UKF Measurement Innovation (Summary)

  • مرحله به‌روزرسانی UKF (خلاصه) UKF Update Step (Summary)

  • مرحله به‌روزرسانی UKF (اشتقاق) UKF Update Step (Derivation)

  • مرحله به‌روزرسانی فیلتر خودرو دوبعدی UKF UKF 2D Vehicle Filter Update Step

  • UKF 2D Vehicle Filter Update مرحله توضیح UKF 2D Vehicle Filter Update Step Explanation

  • خلاصه فیلتر کالمن بدون عطر Unscented Kalman Filter Summary

فیلتر کردن در دنیای واقعی Filtering in the Real World

  • مدل های سنسور و خطاها Sensor Models and Errors

  • برخورد با داده های معیوب Dealing with Faulty Data

  • مقابله با تعصبات حسگر Dealing with Sensor Biases

  • برخورد با شرایط اولیه Dealing with Initial Conditions

پروژه Capstone Capstone Project

  • بررسی اجمالی پروژه Project Overview

  • جزئیات و چارچوب پروژه Project Details and Framework

  • نکات پروژه Project Hints

نتیجه Conclusion

  • خلاصه Summary

  • جایزه Bonus

نمایش نظرات

نظری ارسال نشده است.

آموزش فیلتر کالمن پیشرفته و فیوژن سنسور
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
8 hours
82
Udemy (یودمی) udemy-small
07 مرداد 1400 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
3,550
4.6 از 5
دارد
دارد
دارد
Steven Dumble

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Steven Dumble Steven Dumble

مهندس هوافضا، دکتری، معلم

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.