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.
نمونه ویدیوها:
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

نمایش نظرات

آموزش فیلتر کالمن پیشرفته و فیوژن سنسور
جزییات دوره
8 hours
82
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
3,550
4.6 از 5
دارد
دارد
دارد
Steven Dumble
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Steven Dumble Steven Dumble

مهندس هوافضا، دکتری، معلم