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 multimodal
- La importancia de la fusión de datos en la navegación autónoma.
- Los desafíos inherentes a la integración multimodal.
- Aplicaciones de la fusión de datos para la percepción en tiempo real.
Tecnologías de sensores y características de los datos
- LiDAR: generación y procesamiento de nubes de puntos.
- Cámaras: captura de datos visuales y procesamiento de imágenes.
- RADAR: detección de objetos y estimación de velocidad.
- Unidades de Medición Inercial (IMU): rastreo del movimiento.
Fundamentos de la fusión de datos
- Fundamentos matemáticos: filtros de Kalman e inferencia bayesiana.
- Técnicas de asociación y alineación de datos.
- Manejo del ruido en los sensores y la incertidumbre asociada.
Algoritmos de fusión para la navegación autónoma
- Filtro de Kalman y Filtro de Kalman Extendido (EKF, por sus siglas en inglés).
- Filtro de partículas para sistemas no lineales.
- Filtro de Kalman sin derivadas (UKF, por sus siglas en inglés) para dinámicas complejas.
- Asociación de datos mediante el método del vecino más cercano y la Asociación Probabilística Conjunta de Datos (JPDA).
Implementación práctica de la fusión de sensores
- Integración de datos LiDAR y de cámara para la detección de objetos.
- Fusión de datos RADAR y de cámara para la estimación de velocidad.
- Combinación de datos GPS e IMU para una localización precisa.
Procesamiento y sincronización de datos en tiempo real
- Métodos de timestamping y sincronización de datos.
- Gestión de latencia y optimización del rendimiento en tiempo real.
- Gestión de datos provenientes de sensores asíncronos.
Técnicas avanzadas y desafíos
- Enfoques de aprendizaje profundo para la fusión de datos.
- Integración multimodal y extracción de características.
- Gestión de fallos en los sensores y datos degradados.
Evaluación del rendimiento y optimización
- Métricas cuantitativas para evaluar 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 prácticas
- Técnicas de fusión en prototipos de vehículos autónomos.
- Implementación exitosa de algoritmos de fusión de sensores.
- Taller: implementación de una cadena de procesamiento para la fusión multimodal.
Resumen y próximos pasos
Requerimientos
- Experiencia en programación con Python
- Conocimientos básicos sobre tecnologías de sensores (por ejemplo, LiDAR, cámaras y RADAR)
- Manejo básico del marco ROS y el procesamiento de datos
Audiencia objetivo
- Especialistas en fusión de sensores que trabajan con sistemas de navegación autónoma.
- Ingenieros de inteligencia artificial enfocados en la integración multimodal y el procesamiento de datos.
- Investigadores en el campo de la percepción vehicular autónoma.
21 Horas
