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.

прочети още
Извличане на знания и технологии за големи данни

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:

  1. Въведение в курса. Нива на автоматизация – Индустрия 4.0 и автономни превозни средства. Технологии. Необходимост. Case studies
  2. Сензори – част 1. Тактилни, инфрачервени, ултразвукови, магнитни, енкодери
  3. Сензори част 2. Машинно зрение, CCD линии и матрици, камери, Radar, LiDAR, GPS
  4. Алгоритми за ориентация в пространството – следене на линия, триангулация. Глобална и локална локализация
  5. Системи за автоматичното управление. Типови закони на регулиране. Пропорционално-интегрално диференциален алгоритъм
  6. Филтриране – видове филтри, филтър на Калман
  7. Тест 1
  8. Практическо занятие – програмиране на микроконтролери, следене на линия. Texas Instruments Robotics System Learning Kit – TI-RSLK
  9. Платформата nVidia Jetson Nano
  10. Robotis Operating System – ROS. Конфигуриране на Jetson Nano с ROS
  11. Класификация на пътни знани с LeNet
  12. Автоматично следене на лентата за движение
  13. Разпознаване на обекти в пътна обстановка
  14. Семантично сегментиране на обекти
  15. 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