تبلیغات

دوره Programming a Robotic Car

دسته بندی ها: آموزش های Udacity ، آموزش پایتون (Python)

دوره-programming-robotic-car

در این آموزش فوق العاده با نحوه برنامه نویسی سیستم یک ماشین رباتیک توسط رهبر تیم Driving گوگل و دانشگاه Stanford آشنا می شوید.

مباحثی مانند استنتاج احتمالی، برنامه ریزی و جستجو، محلی سازی، ردیابی و کنترل و .... همگی با تمرکز به علم رباتیک آموزش داده شده اند.

این دوره که به عنوان بخشی از دروس کارشناسی ارشد علوم کامپیوتر در دانشگاه های گرجستان ارائه می شود، روش های اساسی هوش مصنوعی را آموزش می دهد.

زبان برنامه نویسی این دوره Python است که بهترین انتخاب برای پروژه های هوش مصنوعی می باشد.

سرفصل های دوره:

  • درس اول: محلی سازی
  • درس دوم:فیلترهای Kalman
  • درس سوم: تمرین فیلترها
  • درس چهارم: جستجو
  • درس پنجم: کنترل PID
  • درس ششم: SLAM (محلی سازی همزمان و نقشه برداری)

عنوان دوره: Udacity Programming a Robotic Carتوضیحات:

Course Summary

Learn how to program all the major systems of a robotic car from the leader of Google and Stanford's autonomous driving teams. This class will teach you basic methods in Artificial Intelligence, including: probabilistic inference, planning and search, localization, tracking and control, all with a focus on robotics. Extensive programming examples and assignments will apply these methods in the context of building self-driving cars.

This course is offered as part of the Georgia Tech Masters in Computer Science. The updated course includes a final project, where you must chase a runaway robot that is trying to escape!

What Will I Learn?

Syllabus

Lesson 1: Localization

Localization Total Probability Uniform Distribution Probability After Sense Normalize Distribution Phit and Pmiss Sum of Probabilities Sense Function Exact Motion Move Function Bayes Rule Theorem of Total Probability Lesson 2: Kalman Filters

Gaussian Intro Variance Comparison Maximize Gaussian Measurement and Motion Parameter Update New Mean Variance Gaussian Motion Kalman Filter Code Kalman Prediction Kalman Filter Design Kalman Matrices Lesson 3: Particle Filters

Slate Space Belief Modality Particle Filters Using Robot Class Robot World Robot Particles Lesson 4: Search

Motion Planning Compute Cost Optimal Path First Search Program Expansion Grid Dynamic Programming Computing Value Optimal Policy Lesson 5: PID Control

Robot Motion Smoothing Algorithm Path Smoothing Zero Data Weight Pid Control Proportional Control Implement P Controller Oscillations Pd Controller Systematic Bias Pid Implementation Parameter Optimization Lesson 6: SLAM (Simultaneous Localization and Mapping)

Localization Planning Segmented Ste Fun with Parameters SLAM Graph SLAM Implementing Constraints Adding Landmarks Matrix Modification Untouched Fields Landmark Position Confident Measurements Implementing SLAM Runaway Robot Final Project

حجم فایل: 2.2GB

آیا این نوشته را دوست داشتید؟
Udacity Programming a Robotic Car

پیشنهاد فرادرس