Bienvenue à State Estimation and Localization for Self-Driving Cars, le deuxième cours de la Specialization Self-Driving Cars de l'Université de Toronto. Nous vous recommandons de suivre le premier cours de la Specializations avant de suivre ce cours.
Estimation de l'état et localisation pour les voitures auto-conduites
Ce cours fait partie de Spécialisation Voitures auto-conduites
Instructeurs : Jonathan Kelly
51 546 déjà inscrits
Inclus avec
(823 avis)
Expérience recommandée
Ce que vous apprendrez
Comprendre les principales méthodes d'estimation des paramètres et de l'état utilisées pour la conduite autonome, telles que la méthode des moindres carrés
Élaborer un modèle pour les capteurs de localisation typiques des véhicules, y compris le GPS et les IMU
Appliquer les filtres de Kalman étendus et non centrés à un problème d'estimation de l'état d'un véhicule
Appliquer la correspondance de balayage LIDAR et l'algorithme itératif du point le plus proche
Détails à connaître
Ajouter à votre profil LinkedIn
1 quiz, 4 devoirs
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Élaborez votre expertise du sujet
- Apprenez de nouveaux concepts auprès d'experts du secteur
- Acquérez une compréhension de base d'un sujet ou d'un outil
- Développez des compétences professionnelles avec des projets pratiques
- Obtenez un certificat professionnel partageable
Obtenez un certificat professionnel
Ajoutez cette qualification à votre profil LinkedIn ou à votre CV
Partagez-le sur les réseaux sociaux et dans votre évaluation de performance
Il y a 6 modules dans ce cours
Ce module vous introduit aux principaux concepts abordés dans le cours et présente la structure du cours. Le module décrit et motive les problèmes d'estimation d'état et de localisation pour les voitures autonomes. Une estimation précise de l'état du véhicule et de sa position sur la route est nécessaire à tout moment pour conduire en toute sécurité.
Inclus
9 vidéos3 lectures1 sujet de discussion
La méthode des moindres carrés, développée par Carl Friedrich Gauss en 1795, est une technique bien connue pour estimer les valeurs des paramètres à partir de données. Ce module passe en revue la méthode des moindres carrés, pour les cas d'observations non pondérées et pondérées. Il existe un lien étroit entre les moindres carrés et les estimateurs du maximum de vraisemblance (lorsque les observations sont considérées comme des variables aléatoires gaussiennes) et ce lien est établi et expliqué. Enfin, le module développe une technique pour transformer l'estimateur traditionnel des moindres carrés "par lots" en une forme récursive, adaptée aux applications d'estimation en ligne et en temps réel.
Inclus
4 vidéos3 lectures3 devoirs2 laboratoires non notés
Tout ingénieur travaillant sur les véhicules autonomes doit comprendre le filtre de Kalman, décrit pour la première fois dans un article de Rudolf Kalman en 1960. Le filtre a été reconnu comme l'un des 10 meilleurs algorithmes du 20e siècle, est implémenté dans un logiciel qui fonctionne sur votre smartphone et sur les avions à réaction modernes, et a été crucial pour permettre au vaisseau spatial Apollo d'atteindre la lune. Ce module dérive les équations du filtre de Kalman du point de vue des moindres carrés, pour les systèmes linéaires. Le module examine également pourquoi le filtre de Kalman est le meilleur estimateur linéaire sans biais (c'est-à-dire qu'il est optimal dans le cas linéaire). Le filtre de Kalman, tel qu'il a été publié à l'origine, est un algorithme linéaire ; cependant, dans la pratique, tous les systèmes sont non linéaires à un certain degré. Peu après sa création, le filtre de Kalman a été étendu aux systèmes non linéaires, ce qui a donné naissance à un algorithme aujourd'hui appelé filtre de Kalman "étendu" ou EKF. L'EKF est le "pain et le beurre" des estimateurs d'état et devrait faire partie de la boîte à outils de tout ingénieur. Ce module explique comment fonctionne l'EKF (c'est-à-dire par linéarisation) et discute de sa relation avec le filtre de Kalman original. Le module donne également un aperçu du filtre de Kalman non parfumé, ou UKF, un membre plus récent et très populaire de la famille des filtres de Kalman.
Inclus
6 vidéos5 lectures1 devoir de programmation1 laboratoire non noté
Pour naviguer de manière fiable, les véhicules autonomes ont besoin d'une estimation de leur position (position et orientation) dans le monde (et sur la route) à tout moment. Comme pour les avions modernes, cette information peut être dérivée d'une combinaison de mesures GPS et de données de systèmes de navigation inertielle (INS). Ce module présente les modèles de capteurs pour les unités de mesure inertielle et les récepteurs GPS (et, plus largement, GNSS) ; les caractéristiques de performance et de bruit sont passées en revue. Le module décrit comment les deux systèmes de capteurs peuvent être utilisés en combinaison pour fournir des estimations précises et robustes de la position du véhicule.
Inclus
4 vidéos3 lectures1 devoir
La détection LIDAR (détection et télémétrie par ondes lumineuses) est une technologie habilitante pour les véhicules à conduite autonome. Les capteurs LIDAR peuvent "voir" plus loin que les caméras et sont capables de fournir des informations précises sur la distance. Ce module développe un modèle de base de capteur LIDAR et explore comment les données LIDAR peuvent être utilisées pour produire des nuages de points (collections de points 3D dans un cadre de référence spécifique). Les apprenants examineront comment deux nuages de points LIDAR peuvent être enregistrés, ou alignés, afin de déterminer comment la position du véhicule a changé avec le temps (c'est-à-dire la transformation entre deux cadres de référence locaux).
Inclus
4 vidéos3 lectures1 quiz
Ce module combine les matériaux des modules 1 à 4, dans le but de développer un estimateur complet de l'état du véhicule. Les apprenants construiront, en utilisant les données du simulateur CARLA, un estimateur basé sur un filtre de Kalman étendu à l'état d'erreur qui incorpore les mesures GPS, IMU et LIDAR pour déterminer la position et l'orientation du véhicule sur la route à un taux de mise à jour élevé. Il sera possible d'observer ce qu'il advient de la qualité de l'estimation de l'état lorsqu'un ou plusieurs des capteurs "tombent en panne" ou sont désactivés.
Inclus
8 vidéos2 lectures1 devoir de programmation1 sujet de discussion
Instructeurs
Offert par
Recommandé si vous êtes intéressé(e) par Développement de logiciels
University of Toronto
University of Toronto
University of Toronto
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Avis des étudiants
Affichage de 3 sur 823
823 avis
- 5 stars
78,39 %
- 4 stars
15,89 %
- 3 stars
3,76 %
- 2 stars
0,48 %
- 1 star
1,45 %
Ouvrez de nouvelles portes avec Coursera Plus
Accès illimité à plus de 7 000 cours de renommée internationale, à des projets pratiques et à des programmes de certificats reconnus sur le marché du travail, tous inclus dans votre abonnement
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires
Améliorez les compétences de vos employés pour exceller dans l’économie numérique
Foire Aux Questions
L'accès aux cours et aux devoirs dépend de votre type d'inscription. Si vous suivez un cours en mode audit, vous pourrez consulter gratuitement la plupart des supports de cours. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter l'expérience de certificat, pendant ou après votre audit. Si vous ne voyez pas l'option d'audit :
Il se peut que le cours ne propose pas d'option d'audit. Vous pouvez essayer un essai gratuit ou demander une aide financière.
Le cours peut proposer l'option "Cours complet, pas de certificat" à la place. Cette option vous permet de consulter tous les supports de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cela signifie également que vous ne pourrez pas acheter un certificat d'expérience.
Lorsque vous vous inscrivez au cours, vous avez accès à tous les cours de la Specializations, et vous obtenez un certificat lorsque vous terminez le travail. Votre certificat électronique sera ajouté à votre page de réalisations - de là, vous pouvez imprimer votre certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez uniquement lire et visualiser le contenu du cours, vous pouvez auditer le cours gratuitement.
Si vous vous êtes abonné, vous bénéficiez d'une période d'essai gratuite de 7 jours pendant laquelle vous pouvez annuler votre abonnement sans pénalité. Après cette période, nous ne remboursons pas, mais vous pouvez résilier votre abonnement à tout moment. Consultez notre politique de remboursement complète.