Formation Ingénieur voiture autonome

Développez vos compétences. Zéro euro à payer. Grâce à nos formations payées par l’Etat

Dans ce programme, vous apprendrez les techniques qui alimentent les voitures autonomes sur l’ensemble des capacités autonomes d’un véhicule. En utilisant Deep Learning avec la fusion de radars et de capteurs lidar, vous entraînerez le véhicule à détecter et à identifier son environnement pour informer la navigation.

CONNAISSANCES PRÉALABLES

Python, C++, algèbre linéaire et calcul. Voir les exigences détaillées.

  • Vision par ordinateurDans ce cours, vous développerez des compétences critiques en apprentissage automatique qui sont couramment utilisées dans l’ingénierie des véhicules autonomes. Vous découvrirez le cycle de vie d’un projet d’apprentissage automatique, de la définition du problème et du choix des métriques à la formation et à l’amélioration des modèles. Ce cours se concentrera sur le capteur de la caméra et vous apprendrez à traiter des images numériques brutes avant de les alimenter dans différents algorithmes, tels que les réseaux de neurones. Vous construirez des réseaux de neurones convolutifs à l’aide de TensorFlow et apprendrez à classer et détecter des objets dans des images. Avec ce cours, vous serez exposé à l’ensemble du flux de travail de Machine Learning et aurez une bonne compréhension du travail d’un ingénieur en Machine Learning et de la façon dont il se traduit dans le contexte du véhicule autonome.DÉTECTION D’OBJETS EN MILIEU URBAIN
  • Fusion de capteursDans ce cours, vous découvrirez un élément clé pour les voitures autonomes : la fusion de capteurs. Outre les caméras, les voitures autonomes s’appuient sur d’autres capteurs avec des principes de mesure complémentaires pour améliorer la robustesse et la fiabilité. Par conséquent, vous découvrirez le capteur lidar et son rôle dans la suite de capteurs de véhicules autonomes. Vous découvrirez le principe de fonctionnement du lidar, obtiendrez un aperçu des types de lidar actuellement disponibles et de leurs différences, et examinerez les critères pertinents pour la sélection des capteurs. En outre, vous apprendrez à détecter des objets tels que des véhicules dans un nuage de points lidar 3D à l’aide d’une approche d’apprentissage en profondeur, puis à évaluer les performances de détection à l’aide d’un ensemble de métriques de pointe. Dans la seconde moitié du cours, vous apprendrez à fusionner les détections de caméra et de lidar et à suivre les objets au fil du temps avec un filtre de Kalman étendu. Vous acquerrez une expérience pratique du suivi multi-cibles, où vous apprendrez à initialiser, mettre à jour et supprimer des pistes, attribuer des mesures aux pistes avec des techniques d’association de données et gérer plusieurs pistes simultanément. Après avoir terminé le cours, vous aurez une base solide pour travailler en tant qu’ingénieur en fusion de capteurs sur des voitures autonomes.DÉTECTION D’OBJETS 3D FUSION DE CAPTEURS
  • LocalisationDans ce cours, vous apprendrez tout sur la localisation robotique, des modèles de mouvement unidimensionnels à l’utilisation de cartes de nuages ​​de points tridimensionnelles obtenues à partir de capteurs lidar. Vous commencerez par vous familiariser avec le modèle de mouvement du vélo, une approche consistant à utiliser un mouvement simple pour estimer l’emplacement au prochain pas de temps, avant de collecter les données des capteurs. Ensuite, vous passerez à l’utilisation de la localisation de Markov afin d’effectuer un suivi d’objets 1D, ainsi que d’exploiter davantage les modèles de mouvement. À partir de là, vous apprendrez à implémenter deux algorithmes de correspondance de balayage, Iterative Closest Point (ICP) et Normal Distributions Transform (NDP), qui fonctionnent avec des données 2D et 3D. Enfin, vous utiliserez ces algorithmes de correspondance de balayage dans la bibliothèque de nuages ​​de points (PCL) pour localiser une voiture simulée avec détection lidar, à l’aide d’une carte de nuage de points 3D obtenue à partir du simulateur CARLA. LOCALISATION DE CORRESPONDANCE D’ANALYSE
  • PlanificationLa planification des itinéraires achemine un véhicule d’un point à un autre et gère la manière de réagir en cas d’urgence. L’équipe Mercedes-Benz Vehicle Intelligence vous guidera à travers les trois étapes de la planification du parcours. Tout d’abord, vous appliquerez des approches basées sur des modèles et des données pour prédire le comportement des autres véhicules sur la route. Ensuite, vous construirez une machine à états finis pour décider laquelle de plusieurs manœuvres votre propre véhicule doit entreprendre. Enfin, vous générerez une trajectoire sûre et confortable pour exécuter cette manœuvre.PLANIFICATION DE MOUVEMENT ET PRISE DE DÉCISION POUR LES VÉHICULES AUTONOMES
  • Contrôler Ce cours vous apprendra à contrôler une voiture une fois que vous avez une trajectoire souhaitée. Autrement dit, comment activer la manette des gaz et le volant de la voiture pour la déplacer suivant une trajectoire décrite par des coordonnées. Le cours couvrira le contrôleur le plus basique mais aussi le plus courant : le contrôleur Proportional Integral Derivative ou PID. Vous comprendrez le principe de base du contrôle de rétroaction et comment ils sont utilisés dans les techniques de conduite autonome.

Début des cours tous les jours