کتاب صوتی EneAD: رانندگی خودران انرژی‌بهینه با درک تطبیقی و تصمیم‌گیری قوی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره EneAD: رانندگی خودران انرژی‌بهینه با درک تطبیقی و تصمیم‌گیری قوی

موضوع کلی: فناوری‌های نوین رانندگی خودران

موضوع میانی: بهینه‌سازی انرژی و عملکرد در سیستم‌های خودران

📋 سرفصل‌های دوره

• 1. بخش اول: مبانی رانندگی خودران و چالش انرژی**
• 2. مقدمه‌ای بر رانندگی خودران و چالش انرژی
• 3. سطوح مختلف خودرانی (SAE Levels) و نیازمندی‌های محاسباتی
• 4. معماری کلاسیک سیستم‌های خودران: حس، درک، برنامه‌ریزی، عمل
• 5. مصرف‌کنندگان اصلی انرژی در خودروی خودران: سنسورها، پردازش و عملگرها
• 6. مفهوم تعادل میان عملکرد، ایمنی و بهره‌وری انرژی
• 7. معرفی دوره EneAD: اهداف و رویکردها
• 8. فیزیک حرکت خودرو و اصول صرفه‌جویی در انرژی
• 9. مروری بر سخت‌افزارهای پردازشی: CPU, GPU, FPGA, ASIC
• 10. پشته نرم‌افزاری (Software Stack) در وسایل نقلیه خودران
• 11. استانداردهای ایمنی عملکردی (ISO 26262) و ارتباط آن با تصمیم‌گیری
• 12. چالش‌های رویکردهای سنتی در بهینه‌سازی انرژی
• 13. معرفی مفهوم درک تطبیقی (Adaptive Perception)
• 14. معرفی مفهوم تصمیم‌گیری قوی (Robust Decision-Making)
• 15. نقش داده و شبیه‌سازی در توسعه سیستم‌های خودران انرژی‌بهینه
• 16. بررسی مقالات و پژوهش‌های کلیدی در زمینه رانندگی خودران انرژی‌بهینه
• 17. بخش دوم: فناوری‌های حسگر و سیستم درک (Perception)**
• 18. مقدمه‌ای بر سیستم درک و وظایف آن
• 19. سنسور دوربین (Camera): اصول کار، مزایا و معایب
• 20. سنسور لایدار (LiDAR): فناوری، انواع و کاربردها
• 21. سنسور رادار (RADAR): اصول داپلر و نقش آن در تخمین سرعت
• 22. واحدهای اندازه‌گیری اینرسی (IMU) و سیستم موقعیت‌یاب جهانی (GPS)
• 23. مصرف انرژی در سنسورهای مختلف و عوامل مؤثر بر آن
• 24. پیش‌پردازش داده‌های سنسورها: فیلترینگ و کالیبراسیون
• 25. تلفیق سنسورها (Sensor Fusion): رویکردهای Early, Late و Intermediate
• 26. تشخیص اشیاء (Object Detection) با استفاده از یادگیری عمیق
• 27. بخش‌بندی معنایی تصویر (Semantic Segmentation) برای درک صحنه
• 28. تخمین فاصله و عمق (Depth Estimation) از تصاویر
• 29. تشخیص خطوط جاده (Lane Detection) و نشانه‌ها
• 30. رهگیری اشیاء متحرک (Object Tracking)
• 31. ساخت نقشه‌های محلی: شبکه‌های اشغالی (Occupancy Grids)
• 32. نمایش محیط به صورت نمای دید پرنده (Bird's-Eye View)
• 33. معرفی عدم قطعیت (Uncertainty) در خروجی سیستم درک
• 34. مفهوم کیفیت درک (Perception Quality) و معیارهای سنجش آن
• 35. چالش‌های سیستم درک در شرایط جوی نامساعد
• 36. مبانی درک تطبیقی: چرا و چگونه درک را تنظیم کنیم؟
• 37. تکنیک‌های تنظیم پارامترهای سنسورها و الگوریتم‌ها به‌صورت پویا
• 38. بخش سوم: پیش‌بینی، برنامه‌ریزی و تصمیم‌گیری (Decision-Making)**
• 39. نقش پیش‌بینی (Prediction) در رانندگی خودران
• 40. مدل‌سازی و پیش‌بینی رفتار سایر عوامل ترافیکی (عابران، خودروها)
• 41. مبانی برنامه‌ریزی مسیر (Path Planning): الگوریتم‌های A*, RRT
• 42. برنامه‌ریزی مسیر سراسری (Global Planning) در مقابل محلی (Local Planning)
• 43. برنامه‌ریزی رفتاری (Behavioral Planning) و درخت‌های رفتار (Behavior Trees)
• 44. معرفی عدم قطعیت در پیش‌بینی و برنامه‌ریزی
• 45. مفهوم تصمیم‌گیری قوی در مواجهه با عدم قطعیت
• 46. فرآیندهای تصمیم‌گیری مارکوف (MDPs)
• 47. فرآیندهای تصمیم‌گیری مارکوف نیمه‌مشاهده‌پذیر (POMDPs)
• 48. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning) برای تصمیم‌گیری
• 49. یادگیری تقویتی عمیق (Deep RL) و کاربرد آن در رانندگی
• 50. کنترل‌کننده‌ها: از PID تا کنترل پیش‌بین مدل (MPC)
• 51. نقش کنترل پیش‌بین مدل (MPC) در بهینه‌سازی مسیر و انرژی
• 52. تعریف توابع هزینه (Cost Functions) برای رانندگی ایمن و بهینه
• 53. مدیریت ریسک و تصمیم‌گیری در شرایط بحرانی
• 54. بخش چهارم: چارچوب EneAD: تلفیق درک تطبیقی و تصمیم‌گیری قوی**
• 55. معماری کلی سیستم EneAD: یکپارچه‌سازی ماژول‌ها
• 56. حلقه بازخورد میان تصمیم‌گیری و درک: اطلاعات چگونه جریان می‌یابد؟
• 57. ماژول مدیر درک تطبیقی (Adaptive Perception Manager)
• 58. ماژول تصمیم‌گیرنده قوی (Robust Decision-Maker)
• 59. کمی‌سازی عدم قطعیت درک و تأثیر آن بر تصمیم‌گیری
• 60. مدل‌سازی ارتباط میان کیفیت درک و ایمنی برنامه‌ریزی
• 61. سیاست‌های تطبیق (Adaptation Policies): چه زمانی و چگونه کیفیت درک را تغییر دهیم؟
• 62. یادگیری تقویتی برای بهینه‌سازی سیاست تطبیق
• 63. فرموله‌بندی مسئله بهینه‌سازی: کمینه‌سازی انرژی با قید ایمنی
• 64. مطالعه موردی ۱: رانندگی در بزرگراه با ترافیک کم (نیاز به درک پایین)
• 65. مطالعه موردی ۲: رانندگی در تقاطع شهری شلوغ (نیاز به درک بالا)
• 66. مطالعه موردی ۳: سبقت‌گیری ایمن با حداقل مصرف انرژی
• 67. پیاده‌سازی الگوریتم‌های تصمیم‌گیری مبتنی بر POMDP
• 68. تحلیل حساسیت سیستم به خطاهای درک
• 69. مکانیسم‌های ایمنی و بازیابی (Fail-Safe Mechanisms) در EneAD
• 70. شبیه‌سازی و ارزیابی عملکرد سیستم EneAD
• 71. معیارهای ارزیابی: انرژی مصرفی (ژول بر کیلومتر)، ایمنی و راحتی سفر
• 72. تست سخت‌افزار در حلقه (Hardware-in-the-Loop) برای سیستم EneAD
• 73. بهینه‌سازی محاسباتی برای اجرای بی‌درنگ (Real-Time)
• 74. چالش‌های استقرار سیستم EneAD در دنیای واقعی
• 75. بخش پنجم: موضوعات پیشرفته، پیاده‌سازی و آینده**
• 76. پردازش لبه (Edge Computing) در مقابل پردازش ابری (Cloud Computing)
• 77. نقش ارتباطات خودرو با همه چیز (V2X) در بهبود بهره‌وری انرژی
• 78. مقایسه رویکرد ماژولار (EneAD) با رویکردهای یادگیری سرتاسری (End-to-End)
• 79. ملاحظات اخلاقی در سیستم‌های تطبیقی و تصمیم‌گیری خودکار
• 80. امنیت سایبری در خودروهای خودران تطبیقی
• 81. نقش نقشه‌های با کیفیت بالا (HD Maps) در کاهش بار محاسباتی درک
• 82. طراحی مشترک سخت‌افزار و نرم‌افزار (Hardware-Software Co-design)
• 83. یادگیری انتقالی (Transfer Learning) برای سیاست‌های تطبیق
• 84. چالش‌های اعتبارسنجی (Validation) و تأیید (Verification) سیستم‌های تطبیقی
• 85. مقیاس‌پذیری EneAD برای ناوگان خودروها
• 86. گرایش‌های آینده در پژوهش‌های رانندگی خودران انرژی‌بهینه
• 87. تأثیرات اجتماعی و اقتصادی خودروهای خودران انرژی‌بهینه
• 88. راهنمای پروژه نهایی: طراحی یک سناریوی بهینه‌سازی با EneAD
• 89. جمع‌بندی دوره و مرور نکات کلیدی
• 90. مسیرهای شغلی در حوزه فناوری رانندگی خودران