Fusion de données multicapteurs pour la détection de cibles et l'estimation d'état

Dans les systèmes autonomes modernes, la robotique et les applications de suivi, s'appuyer sur un seul capteur conduit souvent à des données incomplètes ou inexactes. La combinaison d'informations provenant de plusieurs capteurs est la clé pour obtenir un suivi, une détection et une estimation d'état très précis. Ce cours basé sur du texte vous guide à travers les principes de base et les fondements mathématiques de la fusion de données multi-cibles et multi-capteurs. Ce que vous apprendrez: - Comprendre la terminologie fondamentale, les architectures et les modèles mathématiques de la fusion de capteurs. - Appliquer des techniques d'estimation classiques, y compris les filtres Kalman, les filtres Kalman étendus et les algorithmes de suivi modernes. - Implémenter des méthodes d'association de données pour faire correspondre correctement les observations des capteurs avec plusieurs cibles. - Analyser les stratégies de détection et de classification des cibles pour améliorer la précision de la prise de décision en cas d'incertitude. - Explorez les paradigmes de fusion modernes, y compris la fusion assistée par réseau neuronal et les architectures décentralisées. Le cours commence par des définitions fondamentales des capteurs et des modèles de bruit avant d'avancer vers l'estimation de l'état, l'association de données et l'alignement multi-capteurs. Vous travaillerez à travers des explications théoriques détaillées et des exemples de code écrit étape par étape pour solidifier votre compréhension. Conçu pour les ingénieurs en herbe, les scientifiques de données et les amateurs de robotique, ce cours ne nécessite qu'une formation de base en algèbre linéaire et en programmation, sans expérience préalable en fusion de capteurs.