====== Moodul: taju, kaardistamine ja lokaliseerimine (1. osa) ======^ **Õpiaste** | Bakalaureusekraad |
^ ** ECTS ainepunkti** | 1 EAP |
^ **Õppevormid** | Hübriid või täielikult võrgus |
^ **Mooduli eesmärgid** | Mooduli eesmärk on tutvustada autonoomsete süsteemide taju-, kaardistamis- ja lokaliseerimismeetodeid. Kursus arendab õpilaste oskust kombineerida mitme anduri andmeid, et tuvastada ja tõlgendada keskkonda, koostada kaarte, hinnata sõiduki poseerimist reaalajas ja käsitleda ebakindlust, kasutades kaasaegseid tehisintellektil põhinevaid taju- ja andurite liitmise tehnikaid. |
^ **Eelnõuded** | Lineaaralgebra, tõenäosus- ja signaalitöötluse algteadmised ning programmeerimisoskused. Juhtsüsteemide, kinemaatika, Linuxi/ROS-i keskkondade või arvutinägemise teekide tundmine on soovitatav, kuid mitte kohustuslik. |
^ **Õpitulemused** | **Teadmised**\\ • Kirjeldage taju-, kaardistamis- ja lokaliseerimisprotsesse autonoomsetes süsteemides.\\ • Selgitage andurite liitmise, samaaegse lokaliseerimise ja kaardistamise põhimõtteid.\\ • Mõistke tehisintellektil põhinevat tajumist, sealhulgas objektide tuvastamist, klassifitseerimist ja stseeni mõistmist.\\ **Oskused**\\ • Rakenduse algtaju ja kaardistamine, kasutades erinevaid andureid ja andmeid. tuvastada ja klassifitseerida keskkonnaobjekte.\\ • Hinda määramatust ja toimivust lokaliseerimisel ja kaardistamisel simulatsioonitööriistade abil.\\ **Arusaamine**\\ • Hinda tajumisega seotud väljakutseid erinevates keskkonnatingimustes.\\ • Tunnistage andmekvaliteedi, kalibreerimise ja sünkroonimise rolli andurite liitmisel.\\ • Võtke kasutusele vastutustundlikud AI-tajupõhised rakendused projekteerimisel. |
^ **Teemad** | 1. Kaamerad, LiDAR-id, radarid ja IMU-d tajumisel ja kaardistamisel.\\ 2. Andurite kalibreerimine, sünkroniseerimine ja määramatuse modelleerimine.\\ 3. Mitme sensoriga liitmise põhimõtted (Kalmani/osakeste filtrid, süvafusioonivõrgud).\\ 4. Objektide tuvastamine ja klassifitseerimine,SLAy\M,SLAy\M muutuvates tingimustes. GNSS.\\ 6. Kaardi esitus ja hooldus autonoomse navigatsiooni jaoks.\\ 7. CNN-id, semantiline segmenteerimine ja dünaamiliste keskkondade ennustav modelleerimine.\\ 8. Taju halva nähtavuse, oklusioonide ja andurite müra korral.\\ 9. Tajumise ja lokaliseerimise torujuhtmete integreerimine ROS2-s. |
^ **Hinnangu liik** | Positiivse hinde eelduseks on positiivne hinnang mooduliteemadele ja praktiliste tööde tulemuste esitamine koos nõutava dokumentatsiooniga |
^ **Õppemeetodid** | **Loeng** — tajumise, kaardistamise ja tehisintellektil põhineva stseeni mõistmise teoreetiline taust.\\ **Laboritööd** — Andurite liitmise ja kaardistamise algoritmide rakendamine ROS2, Pythoni ja simuleeritud andmete abil.\\ **Individuaalsed ülesanded** — Tajukonveieri toimivuse analüüs ja aruannete koostamine. andmestikud ja avatud lähtekoodiga AI tajuraamistikud. |
^ **AI osalus** | AI tööriistad võivad aidata koodi silumisel, mudelikoolitusel ja tajutulemuste visualiseerimisel. Õpilased peavad tsiteerima ALoon abi läbipaistvalt ja kontrollin tulemuste õigsust. |
^ **Soovitatud tööriistad ja keskkonnad** | SLAM, CNN, OpenCV, PyTorch, TensorFlow, KITTI, NuScenes |
^ **Kinnitamise ja kinnitamise fookus** |  |
^ **Asjakohased standardid ja reguleerivad raamistikud** | ISO 26262, ISO 21448 (SOTIF) |