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 Multisensor
- Importancia de la fusión de datos en la navegación autónoma.
- Desafíos de la integración multisensor.
- 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.
- Manejo del ruido del sensor y la incertidumbre.
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 Ruido (UKF) para dinámicas complejas.
- Asociación de datos mediante Vecino más Cercano y Asociación Probabilística Conjunta de Datos (JPDA).
Implementación Práctica de 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 GPS e IMU para una localización precisa.
Procesamiento y Sincronización de Datos en Tiempo Real
- Métodos de marcaje de tiempo 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 de evaluación cuantitativa para la precisión de la fusión.
- Análisis del rendimiento bajo diferentes condiciones ambientales.
- Mejora de la robustez del sistema y la tolerancia a fallos.
Casos de Estudio y Aplicaciones en el Mundo Real
- Técnicas de fusión en prototipos de vehículos autónomos.
- Implementación exitosa de algoritmos de fusión de sensores.
- Taller: Implementación de una canalización de fusión multisensor.
Resumen y Próximos Pasos
Requerimientos
- Experiencia con programación en Python
- Conocimiento de tecnologías básicas de sensores (p. ej., LiDAR, cámaras, RADAR)
- Conocimiento previo del uso de ROS y procesamiento de datos
Audiencia
- Especialistas en fusión de sensores que trabajen en sistemas de navegación autónoma.
- Ingenieros de IA enfocados en la integración multisensor y el procesamiento de datos.
- Investigadores en el campo de la percepción de vehículos autónomos.
21 Horas
