University of Toronto
Estimation de l'état et localisation pour les voitures auto-conduites
University of Toronto

Estimation de l'état et localisation pour les voitures auto-conduites

Jonathan Kelly
Steven Waslander

Instructeurs : Jonathan Kelly

51 546 déjà inscrits

Inclus avec Coursera Plus

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
4.7

(823 avis)

niveau Avancées

Expérience recommandée

Planning flexible
Env. 26 heures
Apprenez à votre propre rythme
95%
La plupart des apprenants ont aimé ce cours
Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
4.7

(823 avis)

niveau Avancées

Expérience recommandée

Planning flexible
Env. 26 heures
Apprenez à votre propre rythme
95%
La plupart des apprenants ont aimé ce cours

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

Certificat partageable

Ajouter à votre profil LinkedIn

Évaluations

1 quiz, 4 devoirs

Enseigné en Anglais

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

Emplacement réservé

Élaborez votre expertise du sujet

Ce cours fait partie de la Spécialisation Voitures auto-conduites
Lorsque vous vous inscrivez à ce cours, vous êtes également inscrit(e) à cette Spécialisation.
  • 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
Emplacement réservé
Emplacement réservé

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

Emplacement réservé

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

Évaluations de l’enseignant
4.7 (157 évaluations)
Jonathan Kelly
University of Toronto
4 Cours167 023 apprenants
Steven Waslander
University of Toronto
4 Cours167 023 apprenants

Offert par

University of Toronto

Recommandé si vous êtes intéressé(e) par Développement de logiciels

Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.
Étudiant(e) depuis 2018
’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’
Jennifer J.
Étudiant(e) depuis 2020
’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’
Larry W.
Étudiant(e) depuis 2021
’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’
Chaitanya A.
’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’

Avis des étudiants

Affichage de 3 sur 823

4.7

823 avis

  • 5 stars

    78,39 %

  • 4 stars

    15,89 %

  • 3 stars

    3,76 %

  • 2 stars

    0,48 %

  • 1 star

    1,45 %

GN
5

Révisé le 29 oct. 2019

MI
5

Révisé le 11 août 2019

H
4

Révisé le 21 mai 2020

Emplacement réservé

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