Willkommen bei Motion Planning for Self-Driving Cars, dem vierten Kurs der Self-Driving Cars Specializations der University of Toronto. Dieser Kurs führt Sie in die wichtigsten Planungsaufgaben beim autonomen Fahren ein, darunter Missionsplanung, Verhaltensplanung und lokale Planung. Am Ende dieses Kurses werden Sie in der Lage sein, den kürzesten Weg über einen Graphen oder ein Straßennetz mit Hilfe des Dijkstra- und des A*-Algorithmus zu finden, endliche Zustandsautomaten zu verwenden, um sichere Verhaltensweisen auszuwählen und optimale, glatte Pfade und Geschwindigkeitsprofile zu entwerfen, um sicher um Hindernisse herum zu navigieren und dabei die Verkehrsregeln zu befolgen. Sie werden auch Belegungsgitterkarten von statischen Elementen in der Umgebung erstellen und lernen, wie Sie diese für eine effiziente Kollisionsprüfung nutzen können. Dieser Kurs wird Sie in die Lage versetzen, eine vollständige selbstfahrende Planungslösung zu erstellen, die Sie von zu Hause zur Arbeit bringt und sich dabei wie ein typischer Fahrer verhält und das Fahrzeug jederzeit sicher hält. Für das Abschlussprojekt dieses Kurses werden Sie einen hierarchischen Bewegungsplaner implementieren, um durch eine Reihe von Szenarien im CARLA-Simulator zu navigieren, einschließlich der Vermeidung eines in Ihrer Spur geparkten Fahrzeugs, der Verfolgung eines Führungsfahrzeugs und der sicheren Navigation durch eine Kreuzung. Sie werden mit realen Zufällen konfrontiert und müssen sicherstellen, dass Ihre Lösung robust gegenüber Veränderungen in der Umgebung ist. Dies ist ein Kurs für Fortgeschrittene, der sich an Lernende mit einigen Vorkenntnissen in der Robotik richtet und auf den Modellen und Steuerungen aufbaut, die in Kurs 1 dieser Spezialisierung entwickelt wurden. Um in diesem Kurs erfolgreich zu sein, sollten Sie über Programmiererfahrung in Python 3.0 verfügen und mit Linearer Algebra (Matrizen, Vektoren, Matrixmultiplikation, Rang, Eigenwerte und Vektoren und Inversen) und Kalkül (gewöhnliche Differentialgleichungen, Integration) vertraut sein.
Bewegungsplanung für selbstfahrende Autos
Dieser Kurs ist Teil von Spezialisierung Selbstfahrende Autos
Dozenten: Steven Waslander
39.998 bereits angemeldet
Bei enthalten
(467 Bewertungen)
Wichtige Details
Zu Ihrem LinkedIn-Profil hinzufügen
5 Aufgaben
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
Erweitern Sie Ihre Fachkenntnisse
- Lernen Sie neue Konzepte von Branchenexperten
- Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
- Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
- Erwerben Sie ein Berufszertifikat zur Vorlage
Erwerben Sie ein Karrierezertifikat.
Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.
Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.
In diesem Kurs gibt es 8 Module
Dieses Modul stellt den Kurs Bewegungsplanung sowie einige ergänzende Materialien vor.
Das ist alles enthalten
4 Videos3 Lektüren1 Diskussionsthema
Dieses Modul führt in die Vielfalt und die Herausforderungen des Problems der Bewegungsplanung beim selbstfahrenden Fahren ein und demonstriert ein Arbeitsbeispiel, auf das im Laufe des Kurses aufgebaut wird. Der Schwerpunkt liegt auf der Definition der wichtigsten Szenarien, die beim Fahren auftreten, auf den Arten von Verlustfunktionen und Einschränkungen, die sich auf die Planung auswirken, sowie auf einer gemeinsamen Zerlegung des Planungsproblems in Teilprobleme der Verhaltens- und Trajektorienplanung. In diesem Modul wird eine generische, hierarchische Optimierungsformulierung für die Bewegungsplanung vorgestellt, die in den nachfolgenden Modulen weiter ausgebaut und implementiert wird
Das ist alles enthalten
4 Videos1 Lektüre1 Aufgabe
Das Belegungsgitter ist eine Diskretisierung des Raums in Zellen fester Größe, von denen jede eine Wahrscheinlichkeit enthält, dass sie belegt ist. Es ist eine grundlegende Datenstruktur, die in der gesamten Robotik verwendet wird und eine Alternative zur Speicherung vollständiger Punktwolken darstellt. In diesem Modul wird das Belegungsraster vorgestellt und der Platz- und Berechnungsbedarf der Datenstruktur erläutert. In vielen Fällen ist ein 2D-Belegungsraster ausreichend. Die Teilnehmer werden untersuchen, wie 3D-LIDAR-Scans effizient komprimiert und gefiltert werden können, um 2D-Karten zu erstellen
Das ist alles enthalten
5 Videos1 Lektüre1 Programmieraufgabe1 Unbewertetes Labor
Dieses Modul entwickelt die Konzepte der Suche nach dem kürzesten Weg auf Graphen, um eine Abfolge von Straßensegmenten in einer Straßenkarte zu finden, die ein Fahrzeug von einem aktuellen Standort zu einem Ziel navigiert. Das Modul behandelt die Definition eines Straßenkartengraphen mit Straßensegmenten, Kreuzungen und Fahrzeiten und stellt die Dijkstra- und A*-Suche zur Ermittlung des kürzesten Weges über das Straßennetz vor.
Das ist alles enthalten
3 Videos1 Lektüre1 Aufgabe1 Unbewertetes Labor
Dieses Modul führt dynamische Hindernisse in das Problem der Verhaltensplanung ein und gibt den Lernenden die Werkzeuge an die Hand, um die Zeit bis zur Kollision von Fahrzeugen und Fußgängern in der Umgebung abzuschätzen.
Das ist alles enthalten
3 Videos1 Lektüre1 Aufgabe
Dieses Modul entwickelt ein grundlegendes, regelbasiertes System zur Verhaltensplanung, das auf hoher Ebene Entscheidungen über Fahrverhalten wie Spurwechsel, Überholen von parkenden Autos und das Durchfahren von Kreuzungen trifft. Das Modul definiert einen konsistenten Satz von Regeln, die ausgewertet werden, um bevorzugte Fahrzeugverhaltensweisen auszuwählen, die die Menge der möglichen Wege und Geschwindigkeitsprofile einschränken, die in der Planung auf niedrigerer Ebene untersucht werden.
Das ist alles enthalten
5 Videos1 Lektüre1 Aufgabe
Ein reaktiver Planer verwendet lokale Informationen, die innerhalb eines Sensor-Footprints verfügbar sind, und ein globales Ziel, das in einem Kartenkoordinatensystem definiert ist, um einen lokal machbaren Pfad zu finden, der kollisionsfrei ist und zu einem Ziel führt. In diesem Modul werden die Lernenden einen Trajektorien-Rollout und einen dynamischen Fensterplaner entwickeln, der die Pfadfindung in beliebigen statischen 2D-Umgebungen ermöglicht. Die Grenzen des Ansatzes für echtes selbständiges Fahren werden ebenfalls diskutiert
Das ist alles enthalten
4 Videos1 Lektüre1 Aufgabe
Parametrisierte Kurven werden häufig verwendet, um Pfade durch die Umgebung für das selbstfahrende Auto zu definieren. In diesem Modul wird die Optimierung von kontinuierlichen Kurvenpfaden als Zweipunkt-Randwertproblem eingeführt, das die Abweichung von einem gewünschten Pfad minimiert und gleichzeitig die Krümmungsbeschränkungen erfüllt.
Das ist alles enthalten
9 Videos2 Lektüren1 Programmieraufgabe
Dozenten
Empfohlen, wenn Sie sich für Softwareentwicklung interessieren
University of Colorado Boulder
Michigan State University
Northwestern University
Amazon Ads
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Bewertungen von Lernenden
467 Bewertungen
- 5 stars
84,15 %
- 4 stars
12,20 %
- 3 stars
1,71 %
- 2 stars
1,07 %
- 1 star
0,85 %
Zeigt 3 von 467 an
Geprüft am 31. März 2020
Overall, the content is great ! It would be better if there was a programming assignment for each Week !
Geprüft am 22. Juni 2020
Well prepared and complete course about everything related to motion planning.
Geprüft am 27. Sep. 2022
The best class in Coursera. they explain the algorithm formula, coding, and graphics. High level of capacity to explain.
Neue Karrieremöglichkeiten mit Coursera Plus
Unbegrenzter Zugang zu 10,000+ Weltklasse-Kursen, praktischen Projekten und berufsqualifizierenden Zertifikatsprogrammen - alles in Ihrem Abonnement enthalten
Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.
Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online
Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.
Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.
Häufig gestellte Fragen
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Einschreibung ab. Wenn Sie einen Kurs im Prüfungsmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung während oder nach Ihrer Prüfung erwerben. Wenn Sie die Prüfungsoption nicht sehen:
Der Kurs bietet möglicherweise keine Prüfungsoption. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs bietet möglicherweise stattdessen die Option 'Vollständiger Kurs, kein Zertifikat'. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Wenn Sie sich für den Kurs einschreiben, erhalten Sie Zugang zu allen Kursen der Specializations, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Erfolgsseite hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder zu Ihrem LinkedIn-Profil hinzufügen. Wenn Sie die Kursinhalte nur lesen und ansehen möchten, können Sie den Kurs kostenlos besuchen.
Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine kostenlose 7-tägige Testphase, in der Sie kostenlos kündigen können. Danach gewähren wir keine Rückerstattung, aber Sie können Ihr Abonnement jederzeit kündigen. Siehe unsere vollständigen Rückerstattungsbedingungen.