توضیحات
دوره Sensor Fusion for Robotics: IMU, Kalman Filters & EKF. این دوره شامل استفاده از هوش مصنوعی است. هر رباتی با یک مشکل یکسان مواجه است؛ واحد اندازهگیری اینرسی (IMU) صد بار در ثانیه بهروزرسانی میشود اما در عرض یک دقیقه دچار رانش میگردد، جیپیاس موقعیت تقریبی را میداند ولی در طول کار پرش دارد، و انکودر چرخها روان و دقیق هستند تا زمانی که چرخ دچار لغزش شود. هیچکدام بهتنهایی قابل اعتماد نیستند، با این حال ربات باید چندین بار در ثانیه و بهطور مداوم تصمیم قطعی درباره موقعیت خود بگیرد. ادغام حسگرها روشی است که این پاسخ را تولید میکند و این دوره ساختار آن را از پایه و بدون پنهان کردن فرمولها در کتابخانههای آماده پیادهسازی میکند.
دانشجو در این دوره ابتدا نحوه خطایابی هر حسگر را میآموزد، زیرا بایاس، نویز و رانش سه خطای متفاوت هستند که به پاسخهای متفاوتی نیاز دارند. سپس فیلتر کالمان را ابتدا در یک بعد، سپس دو بعد و در نهایت در حالت کامل ربات به همراه فیلتر کالمان توسعهیافته (EKF) برای حالات غیرخطی پیادهسازی میکند. در طول مسیر، چالشهای دنیای واقعی مانند قطعی جیپیاس در تونل، تأخیرهای متغیر حسگرها و تنظیم ماتریسهای کوواریانس بررسی میشوند. محیطهای آزمایشگاهی تعاملی مرورگر و کار عملی خط به خط در VS Code به یادگیری عمیقتر کمک میکنند. در پروژه پایانی نیز، دادههای واقعی یک ربات حیاطی با تمامی خطاهای چالشبرانگیز پردازش میشود تا یک برآوردگر مقاوم ساخته شود. پیشنیاز این دوره تنها آشنایی با پایتون، numpy و matplotlib است.
آنچه فرا خواهید گرفت
پیادهسازی فیلتر کالمان از صفر در پایتون به جای استفاده از کتابخانههای آماده
توسعه فیلتر به EKF برای حرکتهای غیرخطی و اندازهگیریهای زاویه و فاصله با مشتقگیری دستی ژاکوبین
ادغام دادههای IMU، جیپیاس، انکودرها و نشانهها با نرخها و تأخیرهای مختلف
تشخیص خطاهای سهگانه حسگرها شامل نویز، بایاس و رانش زمانبر
خواندن ماتریس کوواریانس به عنوان یک شکل هندسی و درک نقاط کور ربات
تنظیم دقیق ماتریسهای Q و R و شناسایی نشانههای خرابی ناشی از تنظیم نادرست آنها
مدیریت قطعی جیپیاس و حفظ عدم قطعیت واقعی به جای پاسخهای قطعی ولی نادرست
حذف دادههای پرت بازتابی چندمسیر و اندازهگیری خطاهای اصلاحی
عیبیابی فیلترهای واگرا و ارزیابی برآوردگرها با استفاده از شاخصهای سازگاری NIS و کوواریانس
این دوره مناسب افرادیست که
مهندسان رباتیک که از کتابخانههای فیلتر استفاده میکنند اما توانایی عیبیابی فیلترهای دچار رانش را ندارند
دانشجویان و برنامهنویسانی که معادلات کالمان را خوانده و به دنبال درک عمیق آنها هستند
طراحان پهپادها، مریخنوردها و رباتهای متحرک خودمختار (AMR) که نیازمند مدیریت موقعیتیابی ربات خود هستند
متخصصان بینایی ماشین و SLAM که به لایه برآورد وضعیت زیربنای سیستم خود نیاز دارند
هر فردی که به دنبال یادگیری نحوه واقعی تنظیم ماتریسهای Q و R است
مشخصات دوره Sensor Fusion for Robotics: IMU, Kalman Filters & EKF
- ناشر: Udemy
- مدرس: Frank Robotics Lab
- سطح آموزش: مبتدی تا پیشرفته
- مدت زمان آموزش: 8 ساعت و 16 دقیقه
- تعداد دروس: 89
سرفصل های دوره
پیشنیازهای دوره Sensor Fusion for Robotics: IMU, Kalman Filters & EKF
- Python you can read and write: functions, loops, numpy arrays, and the ability to read a traceback
- School level algebra and comfort with the idea of a matrix; the statistics is taught from scratch
- A laptop of any age. No GPU, no CUDA, no ROS, no simulator and no cloud account
- numpy and matplotlib, which the first section installs with you
- No prior Kalman filter knowledge at all. That is the point of the course
تصاویر دوره
نمونه فیلم دوره
راهنمای نصب
پس از Extract، با Player دلخواه خود مشاهده کنید.
زیرنویس: ندارد
کیفیت: 1080p
لینک دانلود
گذرواژه فایل(ها): www.downloadly.ir
حجم فایل
10.5 گیگابایت
