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.

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.

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.

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).

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.