این دوره نانودگری، یک برنامه آموزشی جامع است که شما را از مفاهیم پایه تا مهارت‌های پیشرفته ترکیب سنسور، همراهی می‌کند. در این دوره، شما با موارد زیر آشنا خواهید شد:

• مفاهیم پایه سنسورها: درک انواع سنسورها (مانند رادار، لیدار، دوربین) و نحوه عملکرد آن‌ها.
• فیلترینگ کالمن (Kalman Filtering): یادگیری و پیاده‌سازی فیلتر کالمن برای تخمین حالت و کاهش نویز در داده‌های سنسور.
• فیلتر کالمن توسعه‌یافته (Extended Kalman Filter – EKF) و فیلتر کالمن بدون بو (Unscented Kalman Filter – UKF): آشنایی با نسخه‌های پیشرفته‌تر فیلتر کالمن برای مواجهه با سیستم‌های غیرخطی.
• ادغام داده‌های سنسور: یادگیری روش‌های مختلف برای ترکیب داده‌های سنسور و ایجاد یک تصویر واحد و دقیق از محیط.
• پردازش سیگنال: اصول اولیه پردازش سیگنال و استفاده از آن برای بهبود کیفیت داده‌های سنسور.
• تشخیص و ردیابی اشیاء: پیاده‌سازی الگوریتم‌های تشخیص و ردیابی اشیاء در محیط.
• ابزارهای توسعه: استفاده از ابزارهای مختلف برای توسعه و شبیه‌سازی سیستم‌های ترکیب سنسور، مانند MATLAB و ROS (Robot Operating System).

این دوره مزایای متعددی را برای شما به همراه دارد:

• آموزش عملی: این دوره با ارائه پروژه‌های عملی و نمونه‌های واقعی، به شما امکان می‌دهد تا دانش خود را در عمل به کار ببرید و تجربه کسب کنید.
• محتوای به‌روز: محتوای دوره همواره به‌روزرسانی می‌شود تا شما با آخرین پیشرفت‌ها و فناوری‌های حوزه ترکیب سنسور آشنا شوید.
• پشتیبانی مدرسان: دسترسی به پشتیبانی مدرسان و منتورها برای رفع اشکالات و دریافت راهنمایی.
• پروژه‌های عملی: انجام پروژه‌هایی مانند توسعه سیستم‌های خودران، ردیابی اشیاء و…
• فرصت‌های شغلی: این دوره شما را برای ورود به بازار کار و اشتغال در شرکت‌های فعال در حوزه‌های خودروهای خودران، رباتیک و اینترنت اشیا، آماده می‌کند.

برای موفقیت در این دوره، داشتن پیش‌زمینه‌های زیر ضروری است:

• دانش ریاضی: درک مفاهیم پایه‌ای ریاضیات، به‌ویژه جبر خطی، حسابان و آمار.
• برنامه‌نویسی: آشنایی با یک زبان برنامه‌نویسی مانند Python یا C++.
• فیزیک: دانش مقدماتی فیزیک برای درک عملکرد سنسورها.
• تجربه: تجربه‌ی قبلی در زمینهٔ پردازش سیگنال یا رباتیک (اختیاری، اما مفید).

دوره مهندسی ترکیب سنسور شامل چندین بخش اصلی است که هر کدام بر یک جنبه‌ی خاص از این حوزه تمرکز دارند:

• مقدمه بر ترکیب سنسور: معرفی مفاهیم پایه، کاربردها و چالش‌های ترکیب سنسور.
• سنسورها و داده‌ها: بررسی انواع سنسورها (رادار، لیدار، دوربین، IMU)، ویژگی‌های داده‌ها و کالیبراسیون سنسورها.
• فیلترینگ کالمن: آشنایی با تئوری فیلتر کالمن، پیاده‌سازی و کاربرد آن در تخمین حالت.
• فیلتر کالمن توسعه‌یافته و بدون بو: یادگیری فیلترهای پیشرفته‌تر برای سیستم‌های غیرخطی.
• تشخیص و ردیابی: الگوریتم‌های تشخیص اشیاء، ردیابی و پیاده‌سازی آن‌ها.
• ادغام سنسورها: روش‌های مختلف ادغام داده‌های سنسور، مانند فیلترهای کالمن و روش‌های مبتنی بر احتمال.
• کاربردهای ترکیب سنسور: پروژه‌های عملی در حوزه‌های مختلف (خودروهای خودران، رباتیک، اینترنت اشیا).

در طول این دوره، شما با مثال‌های عملی و پروژه‌هایی روبرو خواهید شد که به شما در درک بهتر مفاهیم و توسعه مهارت‌های عملی کمک می‌کنند. برخی از این پروژه‌ها عبارتند از:

• ردیابی یک وسیله نقلیه: استفاده از داده‌های GPS و IMU برای ردیابی موقعیت یک وسیله نقلیه با استفاده از فیلتر کالمن.
• تشخیص عابر پیاده: توسعه یک سیستم برای تشخیص عابر پیاده در تصاویر دوربین با استفاده از یادگیری ماشینی و ترکیب داده‌های سنسور.
• سیستم ناوبری ربات: پیاده‌سازی یک سیستم ناوبری برای یک ربات با استفاده از داده‌های لیدار و IMU.