На прошлой неделе я запустил частный список рассылки для тех, кто действительно интересуется беспилотными автомобилями и индустрией искусственного интеллекта.
Эти электронные письма предоставят вам доступ к:
▶ Ежедневным советам по ИИ и самоуправляемым автомобилям
▶ Истории изнутри об автономных tech
▶ Рекламные предложения на курсах
▶ Премиум-приглашения на онлайн- или офлайн-мероприятия
Если вы хотите присоединиться к списку рассылки, подпишитесь ЗДЕСЬ.
Сегодняшнее электронное письмо было посвящено Kalman Filters. Вот стенограмма.
Фильтры Калмана повсюду.
Если вы впервые читаете о фильтрах Калмана, значит, вы только начинаете…
Среди моих статей о беспилотных автомобилях лучше всего работали Sensor Fusion и Компьютерное зрение для отслеживания.
Что общего в этих статьях? Фильтры Калмана
Я заметил количество людей, которые заинтересовались этой темой, и был очень удивлен, потому что не знал, что этот инструмент можно использовать везде в мире автономных технологий.
Сегодня я хотел бы сказать вам, действительно ли это важно и стоит ли вам начать его изучать. Я также расскажу, как он используется в беспилотных автомобилях.
Вы знаете о фильтрах Кальмана? Я не изучал его в школе, а может быть, и вы тоже!
На онлайн-курсах по автономному вождению автомобиля этому немного учат в модулях слияния датчиков. В некоторых репозиториях GitHub вы можете найти их применение для отслеживания препятствий.
Когда я пришел в стартап по производству беспилотных автомобилей, я часто слышал термин «фильтр Калмана». Его использовали люди, работающие в совершенно разных областях. Когда я узнал об этом, я подумал, что его можно использовать только для слияния сенсоров.
Но представьте, его используют люди из Computer Vision. Люди из Локализации используют его. Этим пользуются люди из радиосвязи. Это понимают люди из безопасности.
Это кажется большим делом.
Каждый раз, когда вы что-то кодируете, нужно будет сделать это сверхнадежным. И поэтому будет необходимо использовать что-то вроде фильтра Калмана.
Фильтр Калмана - это инструмент, который может предсказать будущее измерение на основе нескольких или улучшить измерение во время t. Как? Он использовал математику для вычисления состояния (того, что вы измеряете) и неопределенности. Со временем состояние меняется, и неопределенность уменьшается. Если датчик отправляет зашумленные данные, вы можете сделать их более достоверными. Несколько зашумленных измерений становятся столь же хорошими, как и очень точные.
При слиянии датчиков используется фильтр Калмана, потому что у вас есть данные, поступающие с разных датчиков с разными ошибками, и вам нужно сделать одну уникальную оценку.
Если LiDAR сообщает, что автомобиль находится в 10 метрах, а радар подскажет 12, кому верить? Как принять окончательное решение, зная, что LiDAR более точен? Должны ли мы избавиться от РАДАРА? Должны ли мы по-прежнему извлекать выгоду из этого?
Sensor Fusion должен использовать фильтры Калмана или выбирать только один датчик в зависимости от состояния, что не очень хороший вариант.
Но в компьютерном зрении, предположим, вы должны обнаружить полосу движения, зачем вам это нужно?
Это необходимо, чтобы избежать ложных срабатываний и внезапных изменений.
В автономном роботе надежность является одним из наиболее важных критериев, которые следует учитывать.
Создание чего-то ненадежного - это все равно что продать машину, которая в любой момент может сделать Поворот на 90 °.
Это небезопасно.
В локализации используется тот же принцип. Если ваш модуль локализации внезапно сдвинется с 30 или 40 см, вы рискуете выйти на тротуар.
Вы можете использовать фильтры Калмана во многих измерениях, вы даже можете использовать их в дронах. Его можно использовать в датчиках скорости на дороге, он даже используется в космических ракетах.
Стоит ли вам выучить это?
Я бы сказал да. Но имейте в виду, что это сложная тема и что ваш фильтр может быть непросто спроектировать. С практикой становится легче.
Где учиться?
Sensor Fusion и Компьютерное зрение для отслеживания могут быть хорошим началом. В Интернете есть несколько курсов. Недавно я увидел Программу Sensor Fusion nanodegree от Udacity, которая, кажется, хорошо ее освещает.
Если вы действительно хорошо разбираетесь в числах, эта книга может вам помочь.
Если нет, придерживайтесь Этот репозиторий, что очень хорошо.
Надеюсь, это поможет,
Увидимся завтра,
Джереми Коэн
Если вы хотите получать подобные электронные письма ежедневно, подпишитесь здесь.
