Sensorfusion für eine autonome Erntemaschine in Niederbayern
Übersicht
Worum es bei diesem Projekt geht.
Du bekommst einen aufgezeichneten Datensatz von zwei Erntefahrten (jeweils 45 Minuten) mit GPS-Real-Time-Kinematic (RTK), IMU mit 200 Hz und Radencoder. In 4 Zeitfenstern pro Fahrt ist das GPS-Signal künstlich entfernt (simulierter Baumreihen-Ausfall, jeweils 60 Sekunden). Konfiguriere den robot_localization-EKF (ROS-2-Paket) so, dass die Position während der Ausfälle nicht mehr als 30 cm driftet und nach Wiederkehr des Signals sauber konvergiert. Liefere ein Auswertungs-Notebook mit Drift-Kurven sowie ein 2-seitiges Memo, das die Kovarianz-Wahl pro Sensor begründet.
Das Briefing
Was Du tust und was Du zeigst.
Konfiguriere einen Sensorfusions-Filter, der GPS, IMU und Odometrie so kombiniert, dass die Pose-Drift bei 60-Sekunden-GPS-Ausfällen unter 30 cm bleibt.
Earning criteria — what you'll demonstrate
- Erweiterten Kalman-Filter auf reale Mehrsensor-Daten anwenden
- Kovarianz-Matrizen sinnvoll setzen und die Sensitivität messen
- GPS-Ausfälle und Sensor-Drift quantitativ analysieren
- Konfigurations-Entscheidungen technisch verteidigen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Maschinelles-Lernen-Ingenieur:in
Sensorfusion mit datenbasierter Parameterwahl und sauberer Auswertung trainiert genau die Disziplin, die MLE bei Feature- und Schätzungs-Pipelines anwenden müssen.
Dieses Projekt schärft
- sensor-fusion
- evaluation
- python
Computer-Vision-Ingenieur:in
Wahrnehmungs- und Lokalisierungs-Stacks sind in autonomen Maschinen Kernarbeit; diese Challenge gibt eine vollständige Pipeline zum Vorzeigen.
Dieses Projekt schärft
- sensor-fusion
- kalman-filter
- robot-localization
Angewandte:r KI-Wissenschaftler:in
Konfigurations-Wahl mit Daten begründen und in einem Memo verteidigen ist genau die Brückenfunktion zwischen Forschung und Produkt, die angewandte KI-Wissenschaftler:innen täglich leisten.
Dieses Projekt schärft
- kalman-filter
- evaluation
- robot-localization
Noch eine Sache