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 in autonomen Fahrzeugen
- 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 Learning für autonomes Fahren
- Neuronale Netzwerkarchitekturen für fahrerlose Autos
- Convolutional Neural Networks (CNNs) zur Bildverarbeitung
- Recurrent Neural Networks (RNNs) für zeitliche Daten
Computer Vision für autonomes Fahren
- Objekterkennung mit YOLO und SSD
- Spur-Erkennung und Techniken zur Spurfolgerung
- Semantische Segmentierung für die Umweltwahrnehmung
Reinforcement Learning für Fahrentscheidungen
- Markov-Entscheidungsprozesse (MDP) in autonomen Fahrzeugen
- Training von Deep Reinforcement Learning (DRL)-Modellen
- Simulationsbasiertes Lernen für Fahrverhalten-Policies
Sensorfusion und Wahrnehmung
- Integration von LiDAR-, RADAR- und Kameradaten
- Kalman-Filterung und Sensor-Fusion-Techniken
- Verarbeitung von Multisensordaten zur Kartenerstellung der Umgebung
Deep-Learning-Modelle für Fahrvorhersagen
- Erstellung von Verhaltensvorhersagemodellen
- Trajektorienprognose zur Hindernisvermeidung
- Erkennung des Fahrzustands und der Absichten
Modellbewertung und Optimierung
- Metriken für die Genauigkeit und Leistung von Modellen
- Optimierungstechniken für die Echtzeit-Ausführung
- Bereitstellung trainierter Modelle in autonomen Fahrzeugplattformen
Fallstudien und reale Anwendungen
- Analyse von Vorfällen und Sicherheitsherausforderungen autonomer Fahrzeuge
- Erkundung erfolgreicher Implementierungen KI-gestützter Fahrsysteme
- Projekt: Entwicklung eines AI-Modells zur Spurfolgerung
Zusammenfassung und nächste Schritte
Voraussetzungen
- Gute Programmierkenntnisse in Python
- Erfahrung mit Machine-Learning- und Deep-Learning-Frameworks
- Vertrautheit mit Automobiltechnologien und Computer Vision
Zielgruppe
- Data Scientists, die an Anwendungen für autonomes Fahren arbeiten möchten
- KI-Spezialisten mit Fokus auf die Entwicklung von Automotive-KI
- Entwickler, die sich für Deep-Learning-Techniken im Bereich fahrerloser Fahrzeuge interessieren
21 Stunden
