چرا این دوره؟

خودروهای خودران نه تنها آینده حمل‌ونقل هستند، بلکه نمادی از پیشرفت مهندسی و هوش مصنوعی محسوب می‌شوند. درک سامانه‌های کنترلی که این خودروها را قادر به درک محیط، پیش‌بینی رفتار سایرین و پیمایش ایمن می‌کنند، برای هر مهندس، محقق یا علاقه‌مند به این حوزه ضروری است. این دوره با تمرکز بر ردیابی ۳۶۰ درجه، دیدگاهی جامع از نحوه تعامل خودرو با دنیای اطراف خود ارائه می‌دهد و دانش لازم برای طراحی و پیاده‌سازی الگوریتم‌های کنترلی پیشرفته را در اختیار شما قرار می‌دهد.

با دریافت این دوره بر روی یک فلش مموری ۳۲ گیگابایتی، شما دسترسی آفلاین و پایدار به تمامی محتوای آموزشی خواهید داشت، بدون نیاز به اتصال اینترنت و محدودیت‌های دانلود. این رویکرد، یادگیری را در هر زمان و مکانی برای شما تسهیل می‌کند.

آنچه خواهید آموخت

این دوره به طور عمیق به مفاهیم و تکنیک‌های کلیدی در حوزه سامانه‌های کنترل خودروهای خودران می‌پردازد. سرفصل‌های اصلی عبارتند از:

• مبانی سامانه‌های کنترل: آشنایی با اصول اولیه تئوری کنترل، مدل‌سازی سیستم‌ها، و روش‌های تحلیل پایداری. این بخش بستری قوی برای درک مفاهیم پیشرفته‌تر فراهم می‌کند.
• حسگرها و ادراک محیطی: بررسی انواع حسگرهای مورد استفاده در خودروهای خودران (مانند لیدار، رادار، دوربین‌ها) و چگونگی پردازش داده‌های آن‌ها برای درک ۳۶۰ درجه از محیط اطراف.
• مسیردهی و برنامه‌ریزی: یادگیری الگوریتم‌های برنامه‌ریزی مسیر، از جمله الگوریتم‌های جستجوی گراف، مسیرهای مسیر و بهینه‌سازی مسیر، برای پیمایش ایمن در محیط‌های شهری و بزرگراه‌ها.
• کنترل پیش‌بین مدل (MPC): تسلط بر یکی از قدرتمندترین روش‌های کنترل پیشرفته که امکان بهینه‌سازی عملکرد خودرو در طول یک افق زمانی را فراهم می‌کند. این تکنیک برای کنترل دقیق شتاب، فرمان و ترمز حیاتی است.
• فیلتر کالمن و فیلتر ذرات: یادگیری نحوه تخمین حالت سیستم (مانند موقعیت و سرعت خودرو) با استفاده از داده‌های نویزی حسگرها. این مبحث برای ردیابی دقیق و قابل اطمینان ضروری است.
• تکنیک‌های ردیابی ۳۶۰ درجه: تمرکز ویژه بر چگونگی ادغام اطلاعات از تمام حسگرها برای ایجاد یک مدل جامع و پیوسته از محیط پیرامون خودرو، شامل شناسایی عابران پیاده، سایر وسایل نقلیه و موانع.
• سیستم‌های تعلیق فعال و کنترل پایداری: درک چگونگی استفاده از سامانه‌های کنترل برای بهبود دینامیک خودرو، افزایش راحتی سرنشینان و تضمین پایداری در شرایط رانندگی دشوار.
• شبیه‌سازی و پیاده‌سازی عملی: انجام پروژه‌های عملی با استفاده از نرم‌افزارهای شبیه‌سازی محبوب مانند MATLAB/Simulink یا ROS (Robot Operating System) برای تست و اعتبارسنجی الگوریتم‌های کنترلی.

مزایای کلیدی دوره

• یادگیری عملی و کاربردی: با تمرکز بر پروژه‌های شبیه‌سازی و مثال‌های واقعی، شما دانش تئوری را مستقیماً در عمل به کار خواهید گرفت.
• دسترسی پایدار و آفلاین: محتوای دوره بر روی فلش مموری ۳۲ گیگابایتی، امکان دسترسی بدون محدودیت اینترنت و دانلود را فراهم می‌آورد.
• پوشش جامع مفاهیم: از مبانی تئوری تا تکنیک‌های پیشرفته، تمامی جنبه‌های کنترل خودروهای خودران به طور کامل پوشش داده شده است.
• تمرکز بر ردیابی ۳۶۰ درجه: درک عمیق از چگونگی ادراک محیطی کامل، که قلب فناوری خودران است.
• توسعه مهارت‌های برنامه‌نویسی: یادگیری و به‌کارگیری ابزارهای استاندارد صنعتی در حوزه رباتیک و هوش مصنوعی.
• آمادگی برای آینده شغلی: کسب تخصص در یکی از پررونق‌ترین و نوآورانه‌ترین صنایع فناوری، فرصت‌های شغلی فراوانی را برای شما فراهم می‌کند.

پیش‌نیازها

برای بهره‌مندی کامل از این دوره، توصیه می‌شود که دانش پایه در زمینه‌های زیر را داشته باشید:

• ریاضیات: آشنایی با حساب دیفرانسیل و انتگرال، جبر خطی و معادلات دیفرانسیل.
• برنامه‌نویسی: تسلط بر یک زبان برنامه‌نویسی مانند Python یا MATLAB.
• مبانی مهندسی برق یا رباتیک: درک اولیه از مفاهیم سیگنال‌ها و سیستم‌ها، تئوری کنترل و مفاهیم پایه رباتیک مفید خواهد بود.

حتی اگر برخی از این پیش‌نیازها را ندارید، ساختار آموزشی دوره به گونه‌ای است که بتوانید با مطالعه تکمیلی، شکاف‌های دانشی خود را برطرف کرده و از مطالب پیشرفته‌تر بهره‌مند شوید.

ساختار دوره

این دوره به بخش‌های متنوعی تقسیم شده است تا یادگیری را مرحله به مرحله و به صورت منظم پیش ببرد:

• مقدمه و معرفی: آشنایی با چشم‌انداز خودروهای خودران و اهمیت سامانه‌های کنترل.
• بخش ۱: تئوری پایه‌ای کنترل: مدل‌سازی سیستم، تحلیل پایداری، طراحی کنترل‌کننده‌های کلاسیک.
• بخش ۲: حسگرها و ادراک: انواع حسگرها، پردازش داده‌های حسگر، تکنیک‌های fusion حسگر.
• بخش ۳: مسیریابی و برنامه‌ریزی حرکت: الگوریتم‌های برنامه‌ریزی مسیر، تصمیم‌گیری در ترافیک.
• بخش ۴: کنترل پیشرفته: کنترل پیش‌بین مدل (MPC)، کنترل تطبیقی، کنترل بهینه.
• بخش ۵: تخمین حالت و ردیابی: فیلتر کالمن، فیلتر ذرات، ردیابی چند هدفه.
• بخش ۶: دینامیک خودرو و کنترل پایداری: مدل‌سازی دینامیک خودرو، سیستم‌های تعلیق فعال، کنترل گشتاور.
• بخش ۷: پیاده‌سازی و شبیه‌سازی: کار با ROS، شبیه‌سازی در MATLAB/Simulink، تست الگوریتم‌ها.
• بخش ۸: پروژه‌های عملی: انجام یک پروژه جامع که مفاهیم آموخته شده را ادغام می‌کند.

مثال‌های عملی

در طول دوره، با مثال‌های عملی متعددی روبرو خواهید شد. به عنوان مثال:

• طراحی یک کنترل‌کننده PID برای حفظ سرعت خودرو در یک مسیر مشخص.
• پیاده‌سازی یک فیلتر کالمن برای تخمین دقیق موقعیت خودرو با استفاده از داده‌های GPS و IMU (واحد اندازه‌گیری اینرسی).
• استفاده از الگوریتم A* برای یافتن کوتاه‌ترین و ایمن‌ترین مسیر بین دو نقطه در یک محیط شبیه‌سازی شده.
• پیاده‌سازی یک کنترل‌کننده MPC برای اجرای مانور پارک اتوماتیک با دقت بالا.
• شبیه‌سازی سناریوی تغییر خط اضطراری خودرو در ترافیک با استفاده از تکنیک‌های پیشرفته کنترل.