Formación en MATLAB y Simulink

Conducción autónoma con MATLAB

Detalles del curso

Este curso de un día ofrece experiencia práctica en el desarrollo y verificación de algoritmos de percepción de conducción autónoma. Los ejemplos y ejercicios demuestran el uso apropiado de MATLAB® y Automated Driving Toolbox™.

Temas incluidos:

  • Etiquetado de datos reales del terreno (ground truth)
  • Visualización de datos de sensores
  • Detección de carriles y vehículos
  • Procesado de nubes de puntos lidar
  • Seguimiento y fusión de sensores
  • Generación de escenarios de conducción y modelización de sensores

Día 1 de 2


Etiquetado de datos reales del terreno

Objetivo: Etiquetar datos reales del terreno en un vídeo o en una secuencia de imágenes de manera interactiva. Automatizar el etiquetado con algoritmos de detección y seguimiento.

  • Introducción a la interfaz de Ground Truth Labeler
  • Etiquetado de regiones de interés (ROIs) y escenas
  • Etiquetado automático
  • Visualización y exportación de resultados

Visualización de datos de sensores

Objetivo: Visualizar fotogramas, radar y detecciones lidar. Usar el sistema de coordenadas adecuado para transformar las coordenadas de la imagen en coordenadas del vehículo, y viceversa.

  • Creación de gráficos en vista aérea
  • Gráficas de la cobertura del sensor
  • Visualización de detecciones y carriles
  • Conversor de coordenadas de vehículo a imagen
  • Etiquetar vídeos con detecciones y carriles

Detección de carriles y vehículos

Objetivo: Segmentar y modelizar carriles parabólicos. Usar detectores de objetos preentrenados para detectar vehículos.

  • Transformaciones de vista aérea
  • Detección de características de carriles
  • Modelización de un carril
  • Validación de detección de carriles con ground truth
  • Detección de vehículos con detectores de objetos preentrenados

Procesado de nubes de puntos lidar

Objetivo: Trabajar con datos lidar como nubes de puntos 3D. Importar, visualizar y procesar nubes de puntos mediante la segmentación de estos en clusters. Registrar nubes de puntos para alinear y construir un mapa de nube de puntos acumulado.

  • Importación y visualización nubes de puntos
  • Preprocesado de nubes de puntos
  • Segmentación objetos de los datos de un sensor lidar
  • Construcción de un mapa a partir de los datos de un sensor lidar

Día 2 de 2


Fusión de detecciones de sensores y seguimiento

Objetivo: Crear un seguidor multiobjeto para fusionar información de múltiples sensores, tales como cámaras, radares y lidar.

  • Seguimiento de múltiples objetos
  • Preprocesamiento de detecciones
  • Uso de filtros de Kalman
  • Gestión de múltiples seguimientos
  • Seguimiento con un seguidor multiobjeto

Seguimiento objetos extendidos

Objetivo: Utilizar una hipótesis de probabilidad sobre la densidad para el seguimiento de objetos extendidos y estimar su extensión espacial.

  • Definición de la configuración del sensor
  • Seguimiento de objetos extendidos
  • Estimación de la extensión espacial

Generación de escenarios de conducción y modelización de sensores

Objetivo: Crear escenarios de conducción y radares sintéticos y sensores de cámara de manera interactiva, para testeas algoritmos de percepción de conducción autónoma.

  • Introducción a la interfaz de Driving Scenario Designer
  • Creación de escenarios con carreteras, actores y sensores
  • Simulación y visualización de escenarios
  • Generación de detecciones y exportación de escenarios
  • Testeo de algoritmos con escenarios

Nivel: Intermedio

Prerrequisitos:

Duración: 2 días

Idiomas: English, 한국어