====== 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) |