دوره SLAM با دوربین‌های عمق و داده‌های RGB-D: از تئوری تا پیاده‌سازی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره SLAM با دوربین‌های عمق و داده‌های RGB-D: از تئوری تا پیاده‌سازی

موضوع کلی: هوش مصنوعی و رباتیک

موضوع میانی: بینایی ماشین و پردازش تصویر

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر SLAM و کاربردهای آن
• 2. دوربین‌های عمق: انواع، مزایا و معایب
• 3. داده‌های RGB-D: ساختار و ویژگی‌ها
• 4. پیش‌پردازش داده‌های RGB-D
• 5. فیلتر کالمن و کاربرد آن در SLAM
• 6. گراف SLAM: مبانی و مفاهیم
• 7. بهینه‌سازی گراف SLAM
• 8. تشخیص و توصیف ویژگی‌ها در تصاویر RGB-D
• 9. استخراج ویژگی‌های عمق
• 10. استخراج ویژگی‌های رنگ
• 11. تطابق ویژگی‌ها (Feature Matching)
• 12. روش‌های حذف نقاط پرت (Outlier Rejection)
• 13. تخمین حرکت (Motion Estimation)
• 14. تخمین مقیاس (Scale Estimation)
• 15. تخمین چرخش (Rotation Estimation)
• 16. نقشه‌برداری (Mapping) با استفاده از SLAM
• 17. روش‌های ایجاد نقشه سه‌بعدی
• 18. روش‌های بازسازی محیط
• 19. SLAM بصری-اینرسی (Visual-Inertial SLAM)
• 20. ادغام داده‌های IMU و RGB-D
• 21. SLAM مبتنی بر یادگیری عمیق
• 22. استفاده از شبکه‌های عصبی برای SLAM
• 23. SLAM در محیط‌های پویا
• 24. SLAM در محیط‌های بدون بافت (Textureless Environments)
• 25. SLAM در مقیاس بزرگ
• 26. روش‌های loop closure detection
• 27. بهینه‌سازی loop closure
• 28. SLAM رباتیک: کاربردها و چالش‌ها
• 29. SLAM برای پهپادها (Drones)
• 30. SLAM برای خودروهای خودران
• 31. SLAM برای ربات‌های صنعتی
• 32. ارزیابی عملکرد SLAM
• 33. معیارهای ارزیابی دقت و کارایی
• 34. نرم‌افزارهای متن‌باز SLAM
• 35. ROS و SLAM
• 36. OpenCV و SLAM
• 37. PCL و SLAM
• 38. پیاده‌سازی یک سیستم SLAM ساده
• 39. بهینه‌سازی عملکرد SLAM
• 40. مدیریت منابع محاسباتی
• 41. ملاحظات مربوط به زمان واقعی (Real-time)
• 42. روش‌های کاهش مصرف انرژی
• 43. چالش‌های SLAM در شرایط نوری مختلف
• 44. SLAM در محیط‌های داخلی
• 45. SLAM در محیط‌های خارجی
• 46. SLAM در محیط‌های زیر آب
• 47. آینده SLAM و تحقیقات جاری