DSCM140 Системи за автономно управление
Анотация:
Курсът по системи за автономнo управление е насочен към практическо приложение на теорията на машинното обучение в системи за вземане на решение, неизискващи човешка намеса. Засегнати са различни видове сензорни системи, алгоритми за филтриране на сигнали, алгоритми за ориентиране и придвижване в пространството и др. Във втората половина на курса се прилагат знания по машинно обучение, усвоени в първите два семестъра на програмата. В практически аспект са използвани най-новите платформи на производителя на графични ускорители nVidia и приложението на ROS (Robotic Operating System) за автономно управление.
Целите на курса включват приложение и задълбочаване на знанията по машинно обучение и невронни мрежи с използване на платформата Jetson Nano.
Преподавател(и):
доц. Стоян Мишев д-р
доц. Ясен Горбунов д-р
Описание на курса:
Компетенции:
Успешно завършилите курса студенти познават:
• индустриално приложимите сензори, свързани с автономното управление на машини и превозни средства;
• основните алгоритми за глобална и локална локализация, както и за семантично сегментиране;
• типовите закони на регулиране, използвани в системите за автоматично управление.
След завършване на курса студентите могат да се подговят за участие в състезания като NVIDIA’s DIY Autonomous Car Race
Предварителни изисквания:
Желателно е студентите да са преминали курсовете:
- DSCM001 Прогнозиране чрез анализ на данни – I част;
- DSCM002 Матрични изчисления;
- DSCM011 Прогнозиране чрез анализ на данни – II част. Невронни мрежи,
в които се придобиват необходимите знания по математика и математическа статистика, машинно обучение и умения по компютърно програмиране с Python.
Форми на провеждане:
Редовен
Учебни форми:
Лекция
Език, на който се води курса:
Български
Теми, които се разглеждат в курса:
- Въведение в курса. Нива на автоматизация – Индустрия 4.0 и автономни превозни средства. Технологии. Необходимост. Case studies
- Сензори – част 1. Тактилни, инфрачервени, ултразвукови, магнитни, енкодери
- Сензори част 2. Машинно зрение, CCD линии и матрици, камери, Radar, LiDAR, GPS
- Алгоритми за ориентация в пространството – следене на линия, триангулация. Глобална и локална локализация
- Системи за автоматичното управление. Типови закони на регулиране. Пропорционално-интегрално диференциален алгоритъм
- Филтриране – видове филтри, филтър на Калман
- Тест 1
- Практическо занятие – програмиране на микроконтролери, следене на линия. Texas Instruments Robotics System Learning Kit – TI-RSLK
- Платформата nVidia Jetson Nano
- Robotis Operating System – ROS. Конфигуриране на Jetson Nano с ROS
- Класификация на пътни знани с LeNet
- Автоматично следене на лентата за движение
- Разпознаване на обекти в пътна обстановка
- Семантично сегментиране на обекти
- Тест 2
Литература по темите:
Основна литература:
1. J. Fraden, Handbook of Modern Sensors - Physics, Designs, and Applications, Springer, ISBN 978-1-4419-6466-3, 2010
2. A. Morris, R. Langari, Measurement and Instrumentation-Theory and Application, Academic Press, ISBN 9780128171417
3. P. Smith, Active Sensors for Local Planning in Mobile Robotics, University of Oxford, UK, ISBN 978-981-02-4681-5, 2001
4. Steven M. LaValle, Planning Algorithms, Cambridge University Press, ISBN-13: 978-0521862059, 2006, available for free at http://lavalle.pl/planning/
5. S Senthamilarasu, Sumit Ranjan, Applied Deep Learning and Computer Vision for Self-Driving Cars, ISBN: 1838646302, 2020
6. Joseph Howse, Joe Minichino, Learning OpenCV 4 Computer Vision with Python 3: Get to grips with tools, techniques, and algorithms for computer vision and machine learning, ISBN: 1789531616, 2020