• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Магистратура 2020/2021

Беспилотные автомобили

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Статус: Курс по выбору (Программирование и анализ данных)
Направление: 01.04.02. Прикладная математика и информатика
Когда читается: 2-й курс, 1, 2 модуль
Формат изучения: без онлайн-курса
Прогр. обучения: Программирование и анализ данных
Язык: русский
Кредиты: 4
Контактные часы: 40

Программа дисциплины

Аннотация

Целью освоения дисциплины «Беспилотные автомобили» является формирование у студентов теоретических знаний и практических навыков по алгоритмам, программному и техническому обеспечению, необходимым для функционирования беспилотных автомобилей. В результате изучения этой дисциплины студенты будут владеть основными программными библиотеками машинного обучения и компьютерного зрения, обработки данных с сенсоров Radar и Lidar, локализации и построения оптимального маршрута и системной интеграции. В результате освоения дисциплины студент должен: − знать и уметь применять основные методы машинного обучения в области компьютерного зрения, таких как сегментация изображения, анализ сцены, распознавание объектов; − уметь применять и настраивать программное обеспечение, способное по потоку данных с сенсоров Radar и Lidar определять относительные координаты и вектор движения окружающих объектов; − уметь реализовывать программный модуль, способный по данным систем GPS, ГЛОНАСС и изображению с камер привязать местоположение автомобиля к картографическим данным; − уметь реализовывать алгоритмы навигации A* и Hybrid A*’; − иметь навыки (приобрести опыт) интеграции программного обеспечения беспилотного автомобиля с помощью библиотеки интеграции ROS;
Цель освоения дисциплины

Цель освоения дисциплины

  • формирование у студентов теоретических знаний и практических навыков по алгоритмам, программному и техническому обеспечению, необходимым для функционирования беспилотных автомобилей.
Планируемые результаты обучения

Планируемые результаты обучения

  • Знает и умеет применять алгоритмы машинного обучения, применимые к анализу изображения. умеет проводить сегментацию изображения и поиск объектов с помощью глубоких нейронных сетей. Сети FCN, SegNet, Unet.
  • Владеет понятием сенсоров. Работает с сенсорами Radar и Lidar. Определение положения окружающих объектов с помощью сенсоров и многочастичного фильтра.
  • Владеет понятиями: вероятностная локализация.; марковская локализация, Сенсорная функция, Функция перемещения. Знает процесс подготовки данных для многочастичного фильтра.
  • Знает области целесообразного применения алгоритмов, методов и библиотек, необходимых для функционирования беспилотного автомобиля преимущества и недостатки Способен применять алгоритмы и методы для решения поставленных задач проектирования системы беспилотного автомобиля. Обладает знаниями для понимания полной картины функционирования беспилотного автомобиля.
  • Владеет основными понятиями контроллеров. Знает принцип действия. преимущества и недостатки контроллера. умеет подбирать параметры контроллеров.
  • Понимает как реализовать полную систему управления беспилотным автомобилем. Оценивает сложность работы и требования производительности аппаратного обеспечения беспилотного автомобиля. Может оптимизировать систему под требования производительности аппаратного обеспечения беспилотного автомобиля
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Машинное обучение и обработка изображений.
  • Работа с сенсорами Radar и Lidar. Определение положения окружающих объектов с помощью сенсоров и многочастичного фильтра.
  • Локализация
  • Контроллер
  • Архитектура беспилотного автомобиля
  • Планирование маршрута
Элементы контроля

Элементы контроля

  • неблокирующий ДОМАШНЕЕ ЗАДАНИЕ №1
  • неблокирующий ДОМАШНЕЕ ЗАДАНИЕ №2
  • неблокирующий ДОМАШНЕЕ ЗАДАНИЕ №3
  • блокирующий УСТНЫЙ ЭКЗАМЕН
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (2 модуль)
    0.14 * ДОМАШНЕЕ ЗАДАНИЕ №1 + 0.17 * ДОМАШНЕЕ ЗАДАНИЕ №2 + 0.19 * ДОМАШНЕЕ ЗАДАНИЕ №3 + 0.5 * УСТНЫЙ ЭКЗАМЕН
Список литературы

Список литературы

Рекомендуемая основная литература

  • Savage Jesus, Fuentes Oscar, Contreras Luis, & Negrete Marco. (2018). Map representation using hidden markov models for mobile robot localization. https://doi.org/10.1051/matecconf/201816103011

Рекомендуемая дополнительная литература

  • LaValle, S. M. (2006). Planning Algorithms. Cambridge: Cambridge University Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=170093