La méthode des moindres carrés, développée par Carl Friedrich Gauss en 1795, est une technique bien connue pour estimer les valeurs des paramètres à partir de données. Ce module passe en revue la méthode des moindres carrés, pour les cas d'observations non pondérées et pondérées. Il existe un lien étroit entre les moindres carrés et les estimateurs du maximum de vraisemblance (lorsque les observations sont considérées comme des variables aléatoires gaussiennes) et ce lien est établi et expliqué. Enfin, le module développe une technique pour transformer l'estimateur traditionnel des moindres carrés "par lots" en une forme récursive, adaptée aux applications d'estimation en ligne et en temps réel.

Tout ingénieur travaillant sur les véhicules autonomes doit comprendre le filtre de Kalman, décrit pour la première fois dans un article de Rudolf Kalman en 1960. Le filtre a été reconnu comme l'un des 10 meilleurs algorithmes du 20e siècle, est implémenté dans un logiciel qui fonctionne sur votre smartphone et sur les avions à réaction modernes, et a été crucial pour permettre au vaisseau spatial Apollo d'atteindre la lune. Ce module dérive les équations du filtre de Kalman du point de vue des moindres carrés, pour les systèmes linéaires. Le module examine également pourquoi le filtre de Kalman est le meilleur estimateur linéaire sans biais (c'est-à-dire qu'il est optimal dans le cas linéaire). Le filtre de Kalman, tel qu'il a été publié à l'origine, est un algorithme linéaire ; cependant, dans la pratique, tous les systèmes sont non linéaires à un certain degré. Peu après sa création, le filtre de Kalman a été étendu aux systèmes non linéaires, ce qui a donné naissance à un algorithme aujourd'hui appelé filtre de Kalman "étendu" ou EKF. L'EKF est le "pain et le beurre" des estimateurs d'état et devrait faire partie de la boîte à outils de tout ingénieur. Ce module explique comment fonctionne l'EKF (c'est-à-dire par linéarisation) et discute de sa relation avec le filtre de Kalman original. Le module donne également un aperçu du filtre de Kalman non parfumé, ou UKF, un membre plus récent et très populaire de la famille des filtres de Kalman.

Pour naviguer de manière fiable, les véhicules autonomes ont besoin d'une estimation de leur position (position et orientation) dans le monde (et sur la route) à tout moment. Comme pour les avions modernes, cette information peut être dérivée d'une combinaison de mesures GPS et de données de systèmes de navigation inertielle (INS). Ce module présente les modèles de capteurs pour les unités de mesure inertielle et les récepteurs GPS (et, plus largement, GNSS) ; les caractéristiques de performance et de bruit sont passées en revue. Le module décrit comment les deux systèmes de capteurs peuvent être utilisés en combinaison pour fournir des estimations précises et robustes de la position du véhicule.

La détection LIDAR (détection et télémétrie par ondes lumineuses) est une technologie habilitante pour les véhicules à conduite autonome. Les capteurs LIDAR peuvent "voir" plus loin que les caméras et sont capables de fournir des informations précises sur la distance. Ce module développe un modèle de base de capteur LIDAR et explore comment les données LIDAR peuvent être utilisées pour produire des nuages de points (collections de points 3D dans un cadre de référence spécifique). Les apprenants examineront comment deux nuages de points LIDAR peuvent être enregistrés, ou alignés, afin de déterminer comment la position du véhicule a changé avec le temps (c'est-à-dire la transformation entre deux cadres de référence locaux).

Ce module combine les matériaux des modules 1 à 4, dans le but de développer un estimateur complet de l'état du véhicule. Les apprenants construiront, en utilisant les données du simulateur CARLA, un estimateur basé sur un filtre de Kalman étendu à l'état d'erreur qui incorpore les mesures GPS, IMU et LIDAR pour déterminer la position et l'orientation du véhicule sur la route à un taux de mise à jour élevé. Il sera possible d'observer ce qu'il advient de la qualité de l'estimation de l'état lorsqu'un ou plusieurs des capteurs "tombent en panne" ou sont désactivés.