Об этом курсе
31,729

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Продвинутый уровень

Прибл. 17 часа на выполнение

Предполагаемая нагрузка: 13 hours/week...

Английский

Субтитры: Английский

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Продвинутый уровень

Прибл. 17 часа на выполнение

Предполагаемая нагрузка: 13 hours/week...

Английский

Субтитры: Английский

Программа курса: что вы изучите

Неделя
1
1 ч. на завершение

Welcome to Course 4: Motion Planning for Self-Driving Cars

This module introduces the motion planning course, as well as some supplementary materials....
4 видео ((всего 18 мин.)), 3 материалов для самостоятельного изучения
4 видео
Welcome to the Course3мин
Meet the Instructor, Steven Waslander5мин
Meet the Instructor, Jonathan Kelly2мин
3 материала для самостоятельного изучения
Course Readings10мин
How to Use Discussion Forums15мин
How to Use Supplementary Readings in This Course15мин
2 ч. на завершение

Module 1: The Planning Problem

This module introduces the richness and challenges of the self-driving motion planning problem, demonstrating a working example that will be built toward throughout this course. The focus will be on defining the primary scenarios encountered in driving, types of loss functions and constraints that affect planning, as well as a common decomposition of the planning problem into behaviour and trajectory planning subproblems. This module introduces a generic, hierarchical motion planning optimization formulation that is further expanded and implemented throughout the subsequent modules. ...
4 видео ((всего 54 мин.)), 1 материал для самостоятельного изучения, 1 тест
4 видео
Lesson 2: Motion Planning Constraints13мин
Lesson 3: Objective Functions for Autonomous Driving9мин
Lesson 4: Hierarchical Motion Planning17мин
1 материал для самостоятельного изучения
Module 1 Supplementary Reading10мин
1 практическое упражнение
Module 1 Graded Quiz50мин
Неделя
2
6 ч. на завершение

Module 2: Mapping for Planning

The occupancy grid is a discretization of space into fixed-sized cells, each of which contains a probability that it is occupied. It is a basic data structure used throughout robotics and an alternative to storing full point clouds. This module introduces the occupancy grid and reviews the space and computation requirements of the data structure. In many cases, a 2D occupancy grid is sufficient; learners will examine ways to efficiently compress and filter 3D LIDAR scans to form 2D maps. ...
5 видео ((всего 50 мин.)), 1 материал для самостоятельного изучения, 1 тест
5 видео
Lesson 2: Populating Occupancy Grids from LIDAR Scan Data (Part 1)9мин
Lesson 2: Populating Occupancy Grids from LIDAR Scan Data (Part 2)9мин
Lesson 3: Occupancy Grid Updates for Self-Driving Cars9мин
Lesson 4: High Definition Road Maps11мин
1 материал для самостоятельного изучения
Module 2 Supplementary Reading
Неделя
3
4 ч. на завершение

Module 3: Mission Planning in Driving Environments

This module develops the concepts of shortest path search on graphs in order to find a sequence of road segments in a driving map that will navigate a vehicle from a current location to a destination. The modules covers the definition of a roadmap graph with road segments, intersections and travel times, and presents Dijkstra’s and A* search for identification of the shortest path across the road network. ...
3 видео ((всего 35 мин.)), 1 материал для самостоятельного изучения, 1 тест
3 видео
Lesson 2: Dijkstra's Shortest Path Search10мин
Lesson 3: A* Shortest Path Search13мин
1 материал для самостоятельного изучения
Module 3 Supplementary Reading
1 практическое упражнение
Module 3 Graded Quiz50мин
Неделя
4
2 ч. на завершение

Module 4: Dynamic Object Interactions

This module introduces dynamic obstacles into the behaviour planning problem, and presents learners with the tools to assess the time to collision of vehicles and pedestrians in the environment. ...
3 видео ((всего 36 мин.)), 1 материал для самостоятельного изучения, 1 тест
3 видео
Lesson 2: Map-Aware Motion Prediction11мин
Lesson 3: Time to Collision12мин
1 материал для самостоятельного изучения
Module 4 Supplementary Reading
1 практическое упражнение
Module 4 Graded Quiz50мин
Неделя
5
3 ч. на завершение

Module 5: Principles of Behaviour Planning

This module develops a basic rule-based behaviour planning system, which performs high level decision making of driving behaviours such as lane changes, passing of parked cars and progress through intersections. The module defines a consistent set of rules that are evaluated to select preferred vehicle behaviours that restrict the set of possible paths and speed profiles to be explored in lower level planning....
5 видео ((всего 53 мин.)), 1 материал для самостоятельного изучения, 1 тест
5 видео
Lesson 2: Handling an Intersection Scenario Without Dynamic Objects9мин
Lesson 3: Handling an Intersection Scenario with Dynamic Objects12мин
Lesson 4: Handling Multiple Scenarios7мин
Lesson 5: Advanced Methods for Behaviour Planning11мин
1 материал для самостоятельного изучения
Module 5 Supplementary Reading
1 практическое упражнение
Module 5 Graded Quiz50мин
Неделя
6
2 ч. на завершение

Module 6: Reactive Planning in Static Environments

A reactive planner takes local information available within a sensor footprint and a global objective defined in a map coordinate frame to identify a locally feasible path to follow that is collision free and makes progress to a goal. In this module, learners will develop a trajectory rollout and dynamic window planner, which enables path finding in arbitrary static 2D environments. The limits of the approach for true self-driving will also be discussed. ...
4 видео ((всего 38 мин.)), 1 материал для самостоятельного изучения, 1 тест
4 видео
Lesson 2: Collision Checking12мин
Lesson 3: Trajectory Rollout Algorithm11мин
Lesson 4: Dynamic Windowing7мин
1 материал для самостоятельного изучения
Module 6 Supplementary Reading
1 практическое упражнение
Module 6 Graded Quiz50мин
Неделя
7
11 ч. на завершение

Module 7: Putting it all together - Smooth Local Planning

Parameterized curves are widely used to define paths through the environment for self-driving. This module introduces continuous curve path optimization as a two point boundary value problem which minimized deviation from a desired path while satisfying curvature constraints. ...
9 видео ((всего 71 мин.)), 2 материалов для самостоятельного изучения, 1 тест
9 видео
Lesson 2: Path Planning Optimization12мин
Lesson 3: Optimization in Python5мин
Lesson 4: Conformal Lattice Planning10мин
Lesson 5: Velocity Profile Generation12мин
Final Project Overview4мин
Final Project Solution [LOCKED]7мин
Congratulations for completing the course!2мин
Congratulations on Completing the Specialization!3мин
2 материала для самостоятельного изучения
Module 7 Supplementary Reading
CARLA Installation Guide45мин

Преподаватели

Avatar

Steven Waslander

Associate Professor
Aerospace Studies
Avatar

Jonathan Kelly

Assistant Professor
Aerospace Studies

О Торонтский университет

Established in 1827, the University of Toronto is one of the world’s leading universities, renowned for its excellence in teaching, research, innovation and entrepreneurship, as well as its impact on economic prosperity and social well-being around the globe. ...

О специализации ''Беспилотные автомобили'

Be at the forefront of the autonomous driving industry. With market researchers predicting a $42-billion market and more than 20 million self-driving cars on the road by 2025, the next big job boom is right around the corner. This Specialization gives you a comprehensive understanding of state-of-the-art engineering practices used in the self-driving car industry. You'll get to interact with real data sets from an autonomous vehicle (AV)―all through hands-on projects using the open source simulator CARLA. Throughout your courses, you’ll hear from industry experts who work at companies like Oxbotica and Zoox as they share insights about autonomous technology and how that is powering job growth within the field. You’ll learn from a highly realistic driving environment that features 3D pedestrian modelling and environmental conditions. When you complete the Specialization successfully, you’ll be able to build your own self-driving software stack and be ready to apply for jobs in the autonomous vehicle industry. It is recommended that you have some background in linear algebra, probability, statistics, calculus, physics, control theory, and Python programming. You will need these specifications in order to effectively run the CARLA simulator: Windows 7 64-bit (or later) or Ubuntu 16.04 (or later), Quad-core Intel or AMD processor (2.5 GHz or faster), NVIDIA GeForce 470 GTX or AMD Radeon 6870 HD series card or higher, 8 GB RAM, and OpenGL 3 or greater (for Linux computers)....
Беспилотные автомобили

Часто задаваемые вопросы

  • Зарегистрировавшись на сертификацию, вы получите доступ ко всем видео, тестам и заданиям по программированию (если они предусмотрены). Задания по взаимной оценке сокурсниками можно сдавать и проверять только после начала сессии. Если вы проходите курс без оплаты, некоторые задания могут быть недоступны.

  • Записавшись на курс, вы получите доступ ко всем курсам в специализации, а также возможность получить сертификат о его прохождении. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.

Остались вопросы? Посетите Центр поддержки учащихся.