اپلیکیشن اندرویدی فلشکارت آموزشی تخصصی تخمین حالت و مسیر UAVs با تکنیکهای پیشرفته
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره تخصصی تخمین حالت و مسیر UAVs با تکنیکهای پیشرفته
موضوع کلی: دستهٔ جامع
موضوع میانی: تکنیکهای تخمین برای UAVs
📋 سرفصلهای دوره
- 1. مفاهیم پایه تخمین حالت در سیستمهای هوای بدون سوار
- 2. معرفی حسگرهای inertial measurement unit (IMU) و مدلسازی خطاهای آن
- 3. مدلسازی كينماتیک هوانوردهای بالگرد (マルチロ터) وfixed-wing
- 4. سیستمهای-navigation integraded basics
- 5. فیلتر کالمان خطی (KF) و فرضیات آن
- 6. پیادهسازی فیلتر کالمان در MATLAB/Simulink
- 7. فیلتر کالمان گسترشیافته (EKF) برای سیستمهای غیرخطی
- 8. فیلتر کالمان unscented (UKF) و مزایای آن نسبت به EKF
- 9. فیلتر ذرات (Particle Filter) و تکنیکهای نمونهگیری
- 10. فیلتر ذرات تکیف次日 (Resampling) و کاهش تنوع
- 11. فیلتر sliding window و تخمین batch
- 12. تخمین حالت با least squares وزندار (Weighted Least Squares)
- 13. تخمین حالت با روش حداقل More (M-estimators) برای robustness
- 14. فیلتر moving horizon estimation (MHE) و مزایای آن در contraintes
- 15. تخمین حالت با فیلتر H-infinity و کنترل disturbance
- 16. تخمین حالت ترکیبی GPS/INS و卡尔مان فیلتر Integrally
- 17. استفاده از مدلهای جاذبه و磁场 در تخمین actitud
- 18. تخمین سرعت بادی (wind) با استفاده از دادههای هوشمند
- 19. fusión دادههای Lidar و دوربین برای تخمینrelative position
- 20. تخمین حالت بر پایه Optical Flow و ویژگیهای تصویری
- 21. استفاده از卡尔مان فیلتر در سامانههای بصری-inerial (VIO)
- 22. تخمین حالت با استفاده از دادههای UWB و تقنية زمان-probe
- 23. تخمین حالت در حضور اختلال GPS (spoofing/jamming) و روشهای detection
- 24. فیلتر卡尔مان تعاونی برای خوشههای UAV (swarm estimation)
- 25. تخمین حالت توزیعشده در شبکههای ad-hoc UAV
- 26. استفاده از consensus algorithms در تخمین توزیعشده
- 27. تخمین حالت با استفاده از Gaussian Process Regression (GPR)
- 28. ترکیب卡尔مان فیلتر و شبکههای عصبی عمیق (Deep Kalman Filter)
- 29. استفاده از LSTM برای پیشبینی خطای حسگر در卡尔مان فیلتر
- 30. فیلتر卡尔مان با پارامترهای تطبیقی (Adaptive Kalman Filter)
- 31. تخمین حالت با فیلتر卡尔مان متغیر متغیر (Variable Gain Kalman Filter)
- 32. تشخیص و رفع خطای سنسور با استفاده از algorithem innovación (Innovation-based fault detection)
- 33. استخراج ویژگیهای خطای حسگر برای بهینهسازی فیلتر卡尔مان
- 34. تخمین حالت با استفاده از فیلتر卡尔مان مقاوم (Robust Kalman Filter) و Norma
- 35. استفاده از انترپولات spline برای همگامسازی دادههایmulti-rate sensors
- 36. تخمین حالت با sampling غير منظم و تکنیکهای interpolation
- 37. بهینهسازی پارامترهای فیلتر卡尔مان با الگوریتمهای genetical
- 38. تنظیم خودکار ruidoهایprocess و measurement با maximum likelihood
- 39. تخمین حالت با استفاده از Bayesian inference و MCMC
- 40. ترکیب卡尔مان فیلتر و particle filter (Particle Kalman Filter)
- 41. تخمین حالت با استفاده از Filtering-based smoothing (RTS smoother)
- 42. تخمین مسیر پیشبینی شده (trajectory prediction) با استفاده از卡尔مان فیلتر
- 43. تخمین حالت برای landings خودکار و manuevers aggressiveness
- 44. تخمین حالت در حوزهٔ بالندگی بالーパ (high-altitude) و اثرات جوی
- 45. تخمین حالت در محیطهای GPS-denied (داخل ساختمان، زیرзем)
- 46. استفاده از beaconهای ultrasound برای локализация در محیطهای بسته
- 47. 卡尔مان فیلتر برای تخمین postura در manipulatorهای هوافضایی (UAV arm)
- 48. تخمین حالت برای UAVهای با propulsion-vectoring (تvector control)
- 49. 卡尔مان فیلتر برای تخمین بار و مرکز ثقل UAV
- 50. تخمین حالت با استفاده از دادههای بارومتر (Barometer) و Höhenmessung
- 51. 卡尔مان فیلتر برای تخمین سرعت هوای relativo (airspeed) از Pitot tube
- 52. 卡尔مان فیلتر برای تخمین زاویهی napad (angle of attack) و sideslip
- 53. 卡尔مان فیلتر برای تخمین moment و torque در پرواز
- 54. 卡尔مان فیلتر برای تخمین استوارت (state) در حوزهٔ hover و forward flight
- 55. 卡尔مان فیلتر برای تخمین استقرار formation flight
- 56. 卡尔مان فیلتر برای تخمین begegnen obstacle و collision avoidance
- 57. 卡尔مان فیلتر برای تخمین مسیر flight path tracking
- 58. 卡尔مان فیلتر برای تخمین trajectory tracking با کنترل مدلپیشبینی (MPC)
- 59. 卡尔مان فیلتر برای تخمین وضعیت باتاری و估剩餘 usefulness (SOH)
- 60. 卡尔مان فیلتر برای تخمین دما و اثر حرارت trên حسگرها
- 61. 卡尔مان فیلتر برای تخمین رنج batarya و consumo انرژی
- 62. 卡尔مان فیلتر برای تخمین زخمههای سازهای (structural health monitoring)
- 63. 卡尔مان فیلتر برای تشخیص عدم تعادل پروペلر (propeller imbalance)
- 64. 卡尔مان فیلتر برای تخمین derivaژ در سنسورmagnetometer
- 65. 卡尔مان فیلتر برای تخمین误差 در GPS به دلیل multipath
- 66. 卡尔مان فیلتر برای تخمین خطای drift در gyroscope
- 67. 卡尔مان فیلتر برای تخمین خطای bias در accelerometer
- 68. 卡尔مان فیلتر برای تخمین تقاطع مسیرهای多 UAV برای missione coopератив
- 69. 卡尔مان فیلتر برای تخمین位یت در misión جستجو و救援 (SAR)
- 70. 卡尔مان فیلتر برای تخمین هویت و clasificación هدف در misiones surveillan ce
این اپلیکیشن فارسی برای یادگیری و مرور محتوای آموزشی از طریق فلشکارت طراحی شده است. کارتها را یکییکی مرور کنید، پاسخ پرسشها را به یاد بیاورید و نتیجه هر پاسخ را ثبت کنید. محتوای دوره پس از نصب درون برنامه در دسترس است تا برای مطالعه روزمره معمولاً به اتصال مداوم اینترنت نیاز نداشته باشید.
محتوای آموزشی در قالبهای متنوع ارائه میشود تا هم برای یادگیری مفاهیم جدید و هم برای تثبیت آموختهها قابل استفاده باشد.
- رابط کاربری فارسی و راستچین با فونت وزیر.
- تم روشن و تیره مطابق تنظیمات سیستم.
- صفحهبندی ساده برای انتخاب دوره و شروع مرور.
- نمایش تعداد دفعات مرور هر فصل.
- انتخاب چند فصل برای مرور همزمان.
- امکان تمرکز بر فصلهایی که هنوز مرور نشدهاند.
این اپلیکیشن برای دانشآموزان، دانشجویان، داوطلبان آزمونها و علاقهمندان به یادگیری طراحی شده است؛ بهویژه کسانی که میخواهند مطالب آموزشی را در زمانهای کوتاه مرور کنند، دانستههای خود را بسنجند و مطالعه منظمتری داشته باشند.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.