Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción a la fusión de datos de múltiples sensores
- Importancia de la fusión de datos en la navegación autónoma
- Desafíos de la integración de múltiples sensores
- Aplicaciones de la fusión de datos en la percepción en tiempo real
Tecnologías de sensores y características de los datos
- LiDAR: generación y procesamiento de nubes de puntos
- Cámara: captura de datos visuales y procesamiento de imágenes
- RADAR: detección de objetos y estimación de velocidad
- Unidades de medición inercial (IMU): seguimiento del movimiento
Fundamentos de la fusión de datos
- Bases matemáticas: filtros de Kalman, inferencia bayesiana
- Técnicas de asociación y alineación de datos
- Gestión del ruido y la incertidumbre en los sensores
Algoritmos de fusión para la navegación autónoma
- Filtro de Kalman y Filtro de Kalman extendido (EKF)
- Filtro de partículas para sistemas no lineales
- Filtro de Kalman sin estrías (UKF) para dinámicas complejas
- Asociación de datos utilizando el método del vecino más cercano y Asociación de datos probabilísticos conjuntos (JPDA)
Implementación práctica de la fusión de sensores
- Integración de datos de LiDAR y cámaras para la detección de objetos
- Fusión de datos de RADAR y cámaras para la estimación de la velocidad
- Combinación de datos de GPS e IMU para una localización precisa
Procesamiento y sincronización de datos en tiempo real
- Métodos de marcas temporales y sincronización de datos
- Gestión de la latencia y optimización del rendimiento en tiempo real
- Gestión de datos procedentes de sensores asíncronos
Técnicas avanzadas y desafíos
- Enfoques de aprendizaje profundo para la fusión de datos
- Integración de datos multimodales y extracción de características
- Gestión de fallos de sensores y degradación de datos
Evaluación del rendimiento y optimización
- Métricas cuantitativas de evaluación para la precisión de la fusión
- Análisis del rendimiento bajo diferentes condiciones ambientales
- Mejora de la robustez y tolerancia a fallos del sistema
Casos de estudio y aplicaciones en el mundo real
- Técnicas de fusión en prototipos de vehículos autónomos
- Implementaciones exitosas de algoritmos de fusión de sensores
- Taller: implementación de una canalización de fusión de múltiples sensores
Resumen y próximos pasos
Requerimientos
- Experiencia con programación en Python
- Conocimientos básicos sobre tecnologías de sensores (por ejemplo, LiDAR, cámaras, RADAR)
- Familiaridad con ROS y procesamiento de datos
Audiencia objetivo
- Especialistas en fusión de sensores que trabajan en sistemas de navegación autónoma
- Ingenieros de IA enfocados en la integración de múltiples sensores y el procesamiento de datos
- Investigadores en el campo de la percepción de vehículos autónomos
21 Horas
