University of Toronto
Zustandsabschätzung und Lokalisierung für selbstfahrende Autos

Schenken Sie Ihrer Karriere Coursera Plus mit einem Rabatt von $160 , der jährlich abgerechnet wird. Sparen Sie heute.

University of Toronto

Zustandsabschätzung und Lokalisierung für selbstfahrende Autos

Dieser Kurs ist Teil von Spezialisierung Selbstfahrende Autos

Jonathan Kelly
Steven Waslander

Dozenten: Jonathan Kelly

51.809 bereits angemeldet

Bei Coursera Plus enthalten

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
4.7

(824 Bewertungen)

Stufe Fortgeschritten

Empfohlene Erfahrung

Flexibler Zeitplan
Ca. 26 Stunden
In Ihrem eigenen Lerntempo lernen
95%
Den meisten Lernenden gefiel dieser Kurs
Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
4.7

(824 Bewertungen)

Stufe Fortgeschritten

Empfohlene Erfahrung

Flexibler Zeitplan
Ca. 26 Stunden
In Ihrem eigenen Lerntempo lernen
95%
Den meisten Lernenden gefiel dieser Kurs

Was Sie lernen werden

  • Verstehen Sie die wichtigsten Methoden zur Parameter- und Zustandsschätzung, die beim autonomen Fahren verwendet werden, wie z.B. die Methode der kleinsten Quadrate

  • Entwickeln Sie ein Modell für typische Fahrzeuglokalisierungssensoren, einschließlich GPS und IMUs

  • Anwendung von erweiterten und unscented Kalman-Filtern auf ein Problem der Fahrzeugzustandsschätzung

  • Wenden Sie den LIDAR-Scan-Abgleich und den Iterativen Closest Point-Algorithmus an

Wichtige Details

Zertifikat zur Vorlage

Zu Ihrem LinkedIn-Profil hinzufügen

Bewertungen

1 Quiz, 4 Aufgaben

Unterrichtet in Englisch

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Platzhalter

Erweitern Sie Ihre Fachkenntnisse

Dieser Kurs ist Teil der Spezialisierung Spezialisierung Selbstfahrende Autos
Wenn Sie sich für diesen Kurs anmelden, werden Sie auch für diese Spezialisierung angemeldet.
  • 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
Platzhalter
Platzhalter

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.

Platzhalter

In diesem Kurs gibt es 6 Module

Dieses Modul führt Sie in die wichtigsten im Kurs behandelten Konzepte ein und stellt den Aufbau des Kurses vor. Das Modul beschreibt und motiviert die Probleme der Zustandsabschätzung und Lokalisierung für selbstfahrende Autos. Eine genaue Schätzung des Fahrzeugzustands und seiner Position auf der Straße ist jederzeit erforderlich, um sicher zu fahren.

Das ist alles enthalten

9 Videos3 Lektüren1 Diskussionsthema

Die Methode der kleinsten Quadrate, die 1795 von Carl Friedrich Gauß entwickelt wurde, ist ein bekanntes Verfahren zur Schätzung von Parameterwerten aus Daten. Dieses Modul bietet einen Überblick über die Methode der kleinsten Quadrate für ungewichtete und gewichtete Beobachtungen. Es besteht eine enge Verbindung zwischen den kleinsten Quadraten und den Maximum-Likelihood-Schätzern (wenn die Beobachtungen als Gaußsche Zufallsvariablen betrachtet werden), und diese Verbindung wird hergestellt und erläutert. Schließlich entwickelt das Modul eine Technik zur Umwandlung des traditionellen "Batch"-Schätzers der kleinsten Quadrate in eine rekursive Form, die für Online-Schätzungen in Echtzeit geeignet ist.

Das ist alles enthalten

4 Videos3 Lektüren3 Aufgaben2 Unbewertete Labore

Jeder Ingenieur, der an autonomen Fahrzeugen arbeitet, muss den Kalman-Filter verstehen, der erstmals 1960 von Rudolf Kalman in einer Arbeit beschrieben wurde. Der Filter wurde als einer der 10 besten Algorithmen des 20. Jahrhunderts anerkannt, ist in Software implementiert, die auf Ihrem Smartphone und in modernen Düsenflugzeugen läuft, und war entscheidend dafür, dass die Apollo-Raumschiffe den Mond erreichen konnten. In diesem Modul werden die Gleichungen des Kalman-Filters aus der Perspektive der kleinsten Quadrate für lineare Systeme abgeleitet. Das Modul untersucht auch, warum der Kalman-Filter der beste lineare unvoreingenommene Schätzer ist (d.h. er ist im linearen Fall optimal). Der Kalman-Filter, wie er ursprünglich veröffentlicht wurde, ist ein linearer Algorithmus; in der Praxis sind jedoch alle Systeme bis zu einem gewissen Grad nichtlinear. Kurz nach der Entwicklung des Kalman-Filters wurde er auf nichtlineare Systeme ausgedehnt, was zu einem Algorithmus führte, der heute als "erweiterter" Kalman-Filter oder EKF bezeichnet wird. Der EKF ist das 'Brot und Butter' der Zustandsschätzer und sollte in der Werkzeugkiste eines jeden Ingenieurs zu finden sein. Dieses Modul erklärt, wie der EKF funktioniert (d.h. durch Linearisierung) und erörtert seine Beziehung zum ursprünglichen Kalman-Filter. Das Modul bietet auch einen Überblick über den unscented Kalman-Filter (UKF), ein kürzlich entwickeltes und sehr beliebtes Mitglied der Kalman-Filterfamilie.

Das ist alles enthalten

6 Videos5 Lektüren1 Programmieraufgabe1 Unbewertetes Labor

Um zuverlässig zu navigieren, benötigen autonome Fahrzeuge jederzeit eine Schätzung ihrer Lage (Position und Orientierung) in der Welt (und auf der Straße). Ähnlich wie bei modernen Flugzeugen können diese Informationen aus einer Kombination von GPS-Messungen und Daten von Trägheitsnavigationssystemen (INS) gewonnen werden. In diesem Modul werden Sensormodelle für Trägheitsmessgeräte und GPS-Empfänger (und im weiteren Sinne auch GNSS-Empfänger) vorgestellt und die Leistungs- und Rauscheigenschaften besprochen. Das Modul beschreibt, wie die beiden Sensorsysteme in Kombination verwendet werden können, um genaue und robuste Schätzungen der Fahrzeuglage zu liefern.

Das ist alles enthalten

4 Videos3 Lektüren1 Aufgabe

LIDAR-Sensoren (Light Detection and Ranging) sind eine wichtige Technologie für selbstfahrende Fahrzeuge. LIDAR-Sensoren können weiter "sehen" als Kameras und sind in der Lage, genaue Entfernungsinformationen zu liefern. Dieses Modul entwickelt ein grundlegendes LIDAR-Sensormodell und untersucht, wie LIDAR-Daten zur Erstellung von Punktwolken (Sammlungen von 3D-Punkten in einem bestimmten Bezugsrahmen) verwendet werden können. Die Lernenden untersuchen, wie zwei LIDAR-Punktwolken registriert oder ausgerichtet werden können, um zu bestimmen, wie sich die Position des Fahrzeugs im Laufe der Zeit verändert hat (d.h. die Transformation zwischen zwei lokalen Referenzrahmen).

Das ist alles enthalten

4 Videos3 Lektüren1 Quiz

Dieses Modul kombiniert die Materialien aus den Modulen 1-4 mit dem Ziel, einen vollständigen Schätzer für den Fahrzeugzustand zu entwickeln. Die Lernenden werden unter Verwendung von Daten aus dem CARLA-Simulator einen auf einem erweiterten Kalman-Filter basierenden Schätzer für den Fehlerzustand erstellen, der GPS-, IMU- und LIDAR-Messungen einbezieht, um die Position und Orientierung des Fahrzeugs auf der Straße mit einer hohen Aktualisierungsrate zu bestimmen. Es besteht die Möglichkeit zu beobachten, was mit der Qualität der Zustandsschätzung passiert, wenn einer oder mehrere der Sensoren entweder ausfallen oder deaktiviert werden.

Das ist alles enthalten

8 Videos2 Lektüren1 Programmieraufgabe1 Diskussionsthema

Dozenten

Lehrkraftbewertungen
4.7 (158 Bewertungen)
Jonathan Kelly
University of Toronto
4 Kurse167.607 Lernende
Steven Waslander
University of Toronto
4 Kurse167.607 Lernende

von

Empfohlen, wenn Sie sich für Softwareentwicklung interessieren

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.
Lernender seit 2018
„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“
Jennifer J.
Lernender seit 2020
„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“
Larry W.
Lernender seit 2021
„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“
Chaitanya A.
„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“

Bewertungen von Lernenden

Zeigt 3 von 824

4.7

824 Bewertungen

  • 5 stars

    78,30 %

  • 4 stars

    15,87 %

  • 3 stars

    3,75 %

  • 2 stars

    0,60 %

  • 1 star

    1,45 %

GN
5

Geprüft am 29. Okt. 2019

MP
5

Geprüft am 12. Juni 2020

HK
5

Geprüft am 22. Mai 2021

Platzhalter

Neue Karrieremöglichkeiten mit Coursera Plus

Unbegrenzter Zugang zu über 7.000 erstklassigen Kursen, praktischen Projekten und Zertifikatsprogrammen, die Sie auf den Beruf vorbereiten – 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