یکی از موضوعات جالب در دهه اخیر ماشین های بدون راننده می باشند که هم اکنون شرکت های بزرگ خودروسازی ، پیشرفت های چشمگیری در این زمینه داشته اند. 

در حدود یک سال است که قصد داشتیم یک دوره جامع و پیشرفته مهندسی این خودرو ها را تهیه کنیم که حاصل شد این دوره آموزشی که مشاهده می کنید.

این دوره آموزشی بسیار جامع و کامل و حرفه ای می باشد و به عبارت دیگر بچه بازی نیست. شما در این دوره با مفاهیم بسیار زیادی آشنا می شوید و همزمان نحوه پیاده سازی آن در زبان سی یا پایتون را یاد خواهید گرفت و در برخی از قسمت ها مباحث پیچیده هوش مصنوعی و بینایی ماشین و پردازش تصویر را یاد خواهید گرفت.

نکته مهم در این دوره این است که شما با یک ماشین بدون راننده واقعی کار خواهید کرد و همه اش تئوری نیست و کاملا کاربردی است.

پیش نیازها و الزامات

شما باید دانش زیر را داشته باشید:

پایتون متوسط (کلاسها ، ساختارهای داده)
برنامه نویسی C متوسط (کلاسها ، مدیریت حافظه ، پیوند دادن)
جبر خطی پایه (ماتریس ، بردار ، ضرب ماتریس)
حسابان (مشتقات ، انتگرال ها)
آمار (میانگین ، انحراف معیار ، توزیع گوسی)
فیزیک پایه (نیروها)

دوره 1: مقدمه

در این دوره ، شما در مورد چگونگی کارکرد اتومبیل های خودران یاد خواهید گرفت و در اولین پروژه اتومبیل مستقل خود ( پیدا کردن خطوط در جاده ها )  شروع به کار خواهید کرد.

دوره 2: بینایی ماشین

برای یافتن خطوط در جاده های دشوار و ردیابی وسایل نقلیه ترکیبی از دوربین ، نرم افزار و یادگیری ماشین استفاده خواهید کرد. شما با کالیبراسیون دوربین ها و دستکاری تصاویر شروع خواهید کرد و با استفاده از ماشین های بردار پشتیبان و درخت تصمیم گیری برای استخراج اطلاعات از یک فیلم خاتمه خواهید یافت.

پروژه دوره : یافتن خطوط باند در جاده ها

در این پروژه ، شما در حال نوشتن کد برای شناسایی خطوط خط در جاده ، ابتدا در یک تصویر ، و بعداً در یک جریان ویدیویی هستید ( فیلم واقعی ). برای تکمیل این پروژه ، از ابزاری که در درس آموخته اید استفاده خواهید کرد و بر اساس آنها کار خواهید کرد.

پروژه دوره : یافتن خط پیشرفته

در این پروژه ، هدف شما نوشتن نرم افزاری برای شناسایی مرزهای خط در یک فیلم از یک دوربین جلوی ماشین است.

دوره 3: یادگیری عمیق

یادگیری عمیق به مهمترین مرز هم در یادگیری ماشین و هم در توسعه وسایل نقلیه مستقل تبدیل شده است. کارشناسان NVIDIA و Uber ATG ساخت شبکه های عصبی عمیق و آموزش آنها را با داده های دنیای واقعی و شبیه ساز به شما آموزش می دهند.
با پایان این دوره ، شما می توانید شبکه های عصبی کانولوشن را برای طبقه بندی علائم راهنمایی و رانندگی یک وسیله نقلیه در شبیه ساز به همان روشی که خودتان رانندگی می کنید آموزش دهید!

درس اول : شبکه های عصبی

ساختن و آموزش شبکه های عصبی را بیاموزید ، از مبانی رگرسیون خطی و لجستیک شروع کنید و در اواخر شبکه های انتزاعی و ادراک چند لایه به نتیجه برسید.

درس دوم : TensorFlow

وینسنت وانوچک ، دانشمند اصلی در Google Brain ، شما را با یادگیری عمیق و TensorFlow ، چارچوب یادگیری عمیق Google آشنا می کند.

درس سوم : شبکه های عصبی عمیق

وینسنت شما را راهنمایی می کند که چگونه از یک شبکه عصبی ساده به یک شبکه عصبی عمیق بروید. شما در مورد اینکه چرا لایه های اضافی می توانند کمک کنند و همچنین نحوه جلوگیری از over fitting ، یاد خواهید گرفت.

درس چهارم : شبکه های عصبی کانولوشن

وینسنت نظریه پشتیبان شبکه های عصبی Convolutional و چگونگی کمک به آنها را در بهبود چشمگیر عملکرد در طبقه بندی تصاویر توضیح می دهد.

درس پنجم : کراس Keras

شبکه عصبی را در چارچوب کدنویسی کن. (کراس). شگفت زده خواهید شد که برای ساخت و آموزش شبکه های عصبی عمیق به چند خط کد نیاز دارید!

درس ششم : انتقال یادگیری

با برخی از معروف ترین معماری های شبکه عصبی و نحوه استفاده از آنها آشنا شوید. در پایان این درس ، شما می دانید که چگونه با استفاده از شبکه های متعارف موجود، مدل های جدیدی ایجاد کنید.

پروژه دوره : طبقه بندی علامت راهنمایی و رانندگی

شما با یادگیری عمیق ، تازه اول راه هستید. اکنون مهارت های خود را با استفاده از یادگیری عمیق برای طبقه بندی علائم مختلف راهنمایی رانندگی امتحان کنید! در این پروژه ، برای طبقه بندی علائم راهنمایی و رانندگی از آنچه در مورد شبکه های عصبی عمیق و شبکه های عصبی کانولوشن آموخته اید ، استفاده خواهید کرد.

پروژه دوره : شبیه سازی رفتاری

مهارت های یادگیری عمیق خود را با این پروژه امتحان کنید! یک شبکه عصبی عمیق را آموزش دهید تا مانند شما اتومبیل رانندگی کنید!

دوره 4: Sensor Fusion

ردیابی اشیا با گذشت زمان چالشی اساسی برای درک محیط اطراف یک وسیله نقلیه است.
مهندسان sensor fusion از مرسدس بنز به شما نشان می دهند که چگونه برنامه های اساسی ریاضی به نام فیلترهای کالمان را برنامه ریزی کنید. این فیلترها محل قرارگیری سایر وسایل نقلیه در جاده را با قطعیت پیش بینی و تعیین می کنند. حتی با استفاده از یک تکنیک پیشرفته: فیلتر توسعه یافته Kalman ، یاد می گیرید این کار را با اشیایی که به سختی قابل پیگیری هستند انجام دهید.

درس اول: حسگرها

با تیمی در مرسدس آشنا شوید که به شما کمک می کند اشیا را ردیابی کنید در زمان واقعی با سنسور (حسگرها).

درس دوم: فیلترهای کالمن

از بهترین ها بیاموزید! سباستین ترون شما را در استفاده و مفاهیم فیلتر کالمن با استفاده از پایتون راهنمایی می کند.

درس سوم: checkpoint  در زبان سی پلاس پلاس

آیا آماده ساخت فیلترهای Kalman با C ++ هستید؟ 

درس چهارم: فیلترهای Extended Kalman

در این درس ، شما یک فیلتر Kalman در C ++ خواهید ساخت که توانایی مدیریت داده ها از چندین منبع را دارد. چرا C ++؟ عملکرد آن امکان استفاده از ردیابی اشیا با فیلتر Kalman را در زمان واقعی فراهم می کند.

پروژه دوره: فیلتر کالمن Extended

در این پروژه ، با اجرای یک فیلتر Extended Kalman در ++ C ، هر آنچه را که تاکنون درباره Sensor Fusion آموخته اید ، اعمال خواهید کرد!

دوره 5: محلی سازی

محلی سازی نحوه تعیین موقعیت وسیله نقلیه ما در جهان است. GPS عالی است ، اما فقط در چند متری دقیق است. ما به دقت سطح یک سانتی متر تک رقمی نیاز داریم! برای دستیابی به این هدف ، مهندسان مرسدس بنز اصول محلی سازی ماركوف را برای برنامه ریزی یك فیلتر ذرات ، كه با استفاده از داده ها و نقشه برای تعیین محل دقیق یك وسیله نقلیه ، نشان می دهند.

دوره 6: برنامه ریزی مسیر

برنامه ریزی مسیر ، وسیله نقلیه را از یک نقطه به نقطه دیگر هدایت می کند و نحوه واکنش در هنگام بروز شرایط اضطراری را کنترل می کند. تیم اطلاعاتی مرسدس بنز وسیله نقلیه شما را در سه مرحله برنامه ریزی مسیر طی می کند.
ابتدا روشهای مبتنی بر مدل و داده محور را برای پیش بینی نحوه رفتار سایر وسایل نقلیه در جاده اعمال خواهید کرد. سپس شما یک ماشین حالت محدود برای تصمیم گیری در مورد اینکه کدام یک از مانورهای مختلف وسیله نقلیه شخصی شما را انجام می دهد ، می سازید. سرانجام ، یک مسیر ایمن و راحت برای اجرای آن مانور ایجاد خواهید کرد.

دوره 7: کنترل

در نهایت ، یک اتومبیل خودران هنوز یک ماشین است و ما باید دستورات فرمان ، گاز و ترمز را ارسال کنیم تا ماشین در جاده حرکت کند. Uber ATG شما را در ساخت کنترل کننده های متناسب-انتگرال-مشتق (PID) و مدل های کنترل کننده پیش بینی راهنمایی می کند. بین این الگوریتم های کنترل ، با تکنیک های اساسی و پیشرفته برای تحریک خودرو آشنا خواهید شد.

دوره 8: یکپارچه سازی سیستم

هر چی در طول این آموزش یاد خواهید گرفت را با هم ترکیب می کنیم.

لینک سفارش

.

نوشته دوره پیشرفته و جامع مهندسی ماشین های بدون راننده اولین بار در ايران متلب. پدیدار شد.