دوره معماری درک محیط و تفکیک‌بندی بصری در رانندگی خودران (با الهام از Waymo) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره معماری درک محیط و تفکیک‌بندی بصری در رانندگی خودران (با الهام از Waymo)

موضوع کلی: هوش مصنوعی و فناوری‌های خودروی خودران

موضوع میانی: سیستم‌های درک محیط و پردازش حسگرها

📋 سرفصل‌های دوره

• 1. معماری کلی سیستم‌های درک محیط در خودروهای خودران
• 2. نقشه‌برداری از لایه‌های پردازش در رانندگی خودکار
• 3. انواع سنسورها و کاربردهای آن‌ها در ادراک محیط
• 4. اصول کالیبراسیون دوربین‌های خودرو
• 5. هندسه پوینت کلاود و ساختار داده‌های LiDAR
• 6. پردازش سیگنال‌های راداری برای تشخیص موانع
• 7. سیستم‌های مختصات در ادراک محیطی
• 8. همگام‌سازی زمانی و فضایی بین سنسورها
• 9. استانداردهای برچسب‌گذاری داده‌های تفکیک‌بندی
• 10. مفاهیم پایه تفکیک‌بندی معنایی
• 11. تفکیک‌بندی نمونه‌ای در مقابل تفکیک‌بندی معنایی
• 12. تفکیک‌بندی پانوپتیک و کاربرد آن
• 13. معماری‌های کانولوشنی برای تفکیک پیکسلی
• 14. ساختارهای Encoder-Decoder در بینایی ماشین
• 15. ترنسفورمرهای بصری برای تفکیک‌بندی
• 16. پردازش مستقیم پوینت کلاود با PointNet
• 17. تکنیک‌های واکسلی‌سازی داده‌های سه‌بعدی
• 18. شبکه‌های اشغال فضا برای درک سه‌بعدی
• 19. نمایش Bird's Eye View در ادراک محیط
• 20. معماری‌های ادراک در نمای Bird's Eye View
• 21. کالیبراسیون عمیق دوربین به LiDAR
• 22. استراتژی‌های فوژن عمیق چندحسی
• 23. مقایسه فوژن زودهنگام و دیرهنگام
• 24. هم‌ترازی ویژگی‌ها در ادغام چندمدالی
• 25. تفکیک‌بندی زمانی و ردیابی اشیاء
• 26. الگوریتم‌های ردیابی اشیاء پویا
• 27. مدیریت موارد محجوب در تفکیک‌بندی
• 28. چالش‌های اشیاء با فراوانی پایین
• 29. عملکرد مدل در شرایط جوی مختلف
• 30. چالش‌های ادراک در نور کم و شب
• 31. آماده‌سازی و پاکسازی داده‌های آموزشی
• 32. تکنیک‌های افزایش داده در تفکیک‌بندی
• 33. مدیریت عدم تعادل کلاس‌ها در داده‌ها
• 34. توابع زیان مناسب برای تفکیک‌بندی
• 35. معیارهای ارزیابی دقت تفکیک‌بندی
• 36. محاسبه و تفسیر IoU و mIoU
• 37. شبیه‌سازی سناریوهای تست ادراک
• 38. تولید داده‌های مصنوعی برای آموزش
• 39. فشرده‌سازی و کوانتیزه کردن مدل‌ها
• 40. بهینه‌سازی استنتاج برای پردازش بلادرنگ
• 41. استقرار مدل روی سخت‌افزار لبه
• 42. طراحی پایپ‌لاین‌های ادراک از ابتدا تا انتها
• 43. معرفی و ساختار Waymo Open Dataset
• 44. مدیریت تقسیم‌بندی‌های داده در Waymo
• 45. کاراکترسازی و نظارت بر کیفیت داده
• 46. تکنیک‌های انتقال دامنه در بینایی ماشین
• 47. یادگیری خودنظارتی برای ادراک محیط
• 48. یادگیری فعال برای بهینه‌سازی برچسب‌گذاری
• 49. تخمین عدم قطعیت در خروجی‌های تفکیک
• 50. ایمنی و افزونگی در سیستم‌های ادراک
• 51. تحلیل حالات شکست و عیب‌یابی مدل
• 52. استانداردهای ایمنی برای سیستم‌های ادراک
• 53. یادگیری مداوم و بروزرسانی مدل‌ها
• 54. امنیت سایبری داده‌های حسگری
• 55. حملات تهاجمی به مدل‌های ادراک
• 56. چارچوب‌های تست و اعتبارسنجی
• 57. تست سناریو-محور برای تفکیک‌بندی
• 58. ابزارهای تولید سناریوهای تست
• 59. یکپارچه‌سازی شبیه‌سازی حلقه بسته
• 60. تست سخت‌افزار در حلقه
• 61. تست نرم‌افزار در حلقه
• 62. یکپارچه‌سازی با ROS و ROS2
• 63. فرمت‌های پیام‌رسانی و داده
• 64. مدیریت تاخیر در لایه ادراک
• 65. مدیریت حافظه برای پوینت کلاودها
• 66. بهینه‌سازی پردازش دسته‌ای
• 67. پایش و لاگ‌گیری در محیط عملیاتی
• 68. تشخیص تغییرات توزیع داده
• 69. نسخه‌بندی مدل و ردیابی آزمایش‌ها
• 70. MLOps برای ادراک خودران
• 71. ملاحظات اخلاقی در هوش مصنوعی ادراک
• 72. حریم خصوصی در جمع‌آوری داده‌های حسگری
• 73. مطالعه موردی: پایپ‌لاین ادراک Waymo
• 74. مقایسه رویکردهای ادراک رقبای صنعت
• 75. روندهای آینده در تفکیک‌بندی سه‌بعدی
• 76. مدل‌های زبانی-بصری برای ادراک
• 77. ادراک چهاربعدی و فضای-زمانی
• 78. فوژن معماری‌های چنددوربین
• 79. تکنیک‌های تفکیک‌بندی LiDAR-تنها
• 80. ارزیابی نهایی و جمع‌بندی معماری