Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in KI für autonome Fahrzeuge
- Verständnis der Stufen des autonomen Fahrens und der KI-Integration
- Überblick über KI-Frameworks und -Bibliotheken, die im autonomen Fahren verwendet werden
- Trends und Innovationen in der KI-gestützten Fahrzeugautonomie
Grundlagen des Deep Learnings für autonomes Fahren
- Neuronale Netzarchitekturen für fahrerlose Fahrzeuge
- Convolutional Neural Networks (CNNs) zur Bildverarbeitung
- Recurrent Neural Networks (RNNs) für zeitliche Daten
Computervision für autonomes Fahren
- Objekterkennung mit YOLO und SSD
- Fahrbahn-Detection und Fahrspurerkennung
- Semantische Segmentierung zur Umfelderfassung
Reinforcement Learning für Fahrentscheidungen
- Markov-Entscheidungsprozesse (MDP) in autonomen Fahrzeugen
- Schulung von Deep Reinforcement Learning (DRL)-Modellen
- Simulationsbasiertes Lernen für Fahrstrategien
Sensor-Fusion und Wahrnehmung
- Integration von LiDAR-, RADAR- und Kameradaten
- Kalman-Filterung und Sensor-Fusion-Techniken
- Verarbeitung multipler Sensordaten zur Kartierung der Umgebung
Deep-Learning-Modelle für Fahrvorhersage
- Aufbau von Modellen zur Verhaltensvorhersage
- Trajektorienprognose zur Vermeidung von Hindernissen
- Erkennung des Zustands und der Absichten des Fahrers
Modellbewertung und Optimierung
- Metriken für Modellgenauigkeit und -leistung
- Optimierungstechniken für die Echtzeitausführung
- Bereitstellung trainierter Modelle auf autonomen Fahrzeugplattformen
Fallstudien und reale Anwendungen
- Analyse von Vorfällen mit autonomen Fahrzeugen und Sicherheitsherausforderungen
- Untersuchung erfolgreicher Implementierungen von KI-gesteuerten Fahrsystemen
- Projekt: Entwicklung eines KI-Modells für die Fahrbahnerkennung
Zusammenfassung und nächste Schritte
Voraussetzungen
- Kenntnisse in der Python-Programmierung
- Erfahrung mit Machine-Learning- und Deep-Learning-Frameworks
- Vertrautheit mit Automobiltechnologien und Computervision
Zielgruppe
- Datenwissenschaftler, die an Anwendungen im autonomen Fahren arbeiten möchten
- KI-Spezialisten, die sich auf die Entwicklung von KI in der Automobilbranche konzentrieren
- Entwickler, die sich für Deep-Learning-Techniken beim autonomen Fahren interessieren
21 Stunden
