Kod: AUT-028
Czas trwania: 8 godzin
Czas trwania: 8 godzin
Opis szkolenia
Wraz z wprowadzeniem sensorów LiDAR (Light Detection and Ranging) do ADAS (Advanced Driver Assistance Systems) i autonomicznej jazdy, pojawiła się potrzeba algorytmów percepcji, które bezpośrednio analizują chmury punktów.W ramach tego szkolenia:
- Uzyskasz pogląd na ADAS i Autonomous Driving z perspektywy przetwarzania danych LiDAR
- Zrozumiesz tradycyjną konfigurację systemu I będziesz koordynować ramki, pojęcia opóźnienia i jittera
- Zrozumiesz szczegóły klasycznych algorytmów przetwarzania chmury punktów dla scenariusza ADAS
- Zdobędziesz praktyczne doświadczenie w implementacji przynajmniej jednego z klasycznych algorytmów w C ++
- Uzyskasz przegląd podejść do postrzegania głębokiego uczenia się w scenariuszu jazdy autonomicznej
- Zrozumiesz, jak mierzyć dokładność algorytmów i wdrażać je na najnowocześniejszym sprzęcie
- Uzyskasz przegląd otwartych zbiorów danych do autonomicznej jazdy
Plan szkolenia
Krótkie wprowadzenie do ADAS i autonomicznej jazdy- Poziomy autonomii, klasyczny stos AD
- Gracze na rynku, opcje montażu LiDAR
- Kierunki technologiczne LiDAR
- Przegląd dostawców i modeli LiDAR
- Charakterystyka LiDARów Velodyne
- Poziomy ASIL, ISO26262
Podstawowa konfiguracja systemu
- Systemy współrzędnych (globalne, lokalne, pojazd ego, sensor, inni uczestnicy ruchu)
- Kalibrowanie
- Synchronizacja
- Opóźnienie i jitter
Klasyczne algorytmy percepcji chmury punktów
- Przegląd zadań percepcji, które można rozwiązać za pomocą LiDAR
- Akumulacja wielu klatek (kompensacja ruchu)
- Wykrywanie / odejmowanie podłoża
- Siatka obłożenia
- Klasteryzacja (DBscan)
- Estymacja wypukłego kadłuba
- Wykrywanie pasa ruchu z chmury punktów
Ćwiczenia praktyczne
- Przegląd kodu implementującego usuwanie płaszczyzny uziemienia, klasteryzację, ekstrakcję wypukłego kadłuba i wizualizację w C ++ z bibliotekami Eigen i PCL.
- Praktyczne zadanie polegające na zaimplementowaniu jednego z następujących algorytmów: Usunięcie płaszczyzny uziemienia za pomocą RANSAC & Obliczanie kadłuba wypukłego za pomocą skanu Grahama
Percepcja za pomocą sieci neuronowych
- Wprowadzenie do podejść opartych na głębokim uczeniu się
- Taksonomia sieci neuronowych do przetwarzania chmury punktów
- Blok podstawowy: PointNet
- VoxelNet (wykrywanie BEV)
- DRUGI (detekcja BEV)
- PointPillars (detekcja BEV)
- Szybcy i wściekli (wykrywanie i przewidywanie BEV)
- Frustum PointNet (widok projekcji, detekcja)
- MV3D (wykrywanie mutiview)
- Fuzja z wieloma widokami, MVF (wykrywanie mutiview)
- Multi-View LidarNet (multitarget: segmentacja i wykrywanie)
Otwarte zbiory danych do autonomicznej jazdy
- KITTI
- Semantyczny KITTI
- nuScenes
- Waymo
- Argoverse
- Lyft Level-5
- Udacity
Ciągłe wdrażanie modeli uczenia głębokiego
- Wskaźniki dokładności
- Nieregresywne wdrażanie
Platformy obliczeniowe do autonomicznej jazdy
- Przegląd platform: DrivePX2, Pegasus, Mobileye, komputer pokładowy Tesli
- Biblioteka wnioskowania TensorRT
Cele
- Po tym szkoleniu będziesz w stanie zrozumieć spektrum klasycznych i głębokich algorytmów percepcji, które przetwarzają dane chmury punktów z LiDAR.
- Zdobędziesz praktyczne doświadczenie we wdrażaniu wybranego algorytmu w C ++
Grupa docelowa
- Ten kurs jest przeznaczony dla programistów algorytmów widzenia komputerowego w branży motoryzacyjnej