Multimodal Perception and Secure State Estimation for Robotic Mobility Platforms

خوانندگان را قادر می‌سازد تا روندهای جدید مهم در ادراک چندوجهی برای روباتیک متحرک را درک کنند

این کتاب دیدگاه جدیدی در مورد تخمین حالت ایمن و ادراک چندوجهی برای پلتفرم های تحرک روباتیک مانند وسایل نقلیه خودران ارائه می دهد. این به طور کامل رویکردهای تخمین پوزی پوز ایمن مبتنی بر فیلتر را برای وسایل نقلیه خودران بر روی سیگنال‌های حمله چندگانه ارزیابی می‌کند و نشان می‌دهد که آنها از نتایج فیلتر شده کالمن معمولی بهتر عمل می‌کنند.

به عنوان یک منبع یادگیری مدرن، حاوی نتایج شبیه سازی و تجربی گسترده ای است که با موفقیت بر روی مدل های مختلف و پلتفرم های واقعی پیاده سازی شده است. برای کمک به درک خواننده، مثال های دقیق و گویا در مورد پیاده سازی الگوریتم و ارزیابی عملکرد نیز ارائه شده است. که توسط چهار نویسنده واجد شرایط در این زمینه نوشته شده است، عناوین نمونه تحت پوشش این کتاب عبارتند از:

• تخمین وضعیت امن که بر استحکام سیستم تحت حملات سایبری تمرکز دارد< /span>
• تلفیق چند حسگر که به بهبود عملکرد سیستم بر اساس ویژگی‌های مکمل سنسورهای مختلف کمک می‌کند
< li>یک چارچوب تخمین موقعیت هندسی برای گنجاندن اندازه‌گیری‌ها و محدودیت‌ها در یک طرح همجوشی یکپارچه، که با استفاده از داده‌های عمومی و خود جمع‌آوری‌شده اعتبارسنجی شده است
• چگونه می‌توان به تخمین موقعیت جاده‌ای محدود و به کمک مسیر در زمان واقعی رسید

این کتاب برای فارغ‌التحصیلان جذاب خواهد بود. دانش‌آموزان سطح و متخصصان در زمینه‌های وسایل نقلیه زمینی تخمین و ادراک را ارائه می‌کنند که به دنبال بینش مدرن و به‌روز در مورد مفاهیم کلیدی مرتبط با حوزه پلت‌فرم‌های تحرک روباتیک هستند.

Enables readers to understand important new trends in multimodal perception for mobile robotics

This book provides a novel perspective on secure state estimation and multimodal perception for robotic mobility platforms such as autonomous vehicles. It thoroughly evaluates filter-based secure dynamic pose estimation approaches for autonomous vehicles over multiple attack signals and shows that they outperform conventional Kalman filtered results.

As a modern learning resource, it contains extensive simulative and experimental results that have been successfully implemented on various models and real platforms. To aid in reader comprehension, detailed and illustrative examples on algorithm implementation and performance evaluation are also presented. Written by four qualified authors in the field, sample topics covered in the book include:

• Secure state estimation that focuses on system robustness under cyber-attacks
• Multi-sensor fusion that helps improve system performance based on the complementary characteristics of different sensors
• A geometric pose estimation framework to incorporate measurements and constraints into a unified fusion scheme, which has been validated using public and self-collected data
• How to achieve real-time road-constrained and heading-assisted pose estimation

This book will appeal to graduate-level students and professionals in the fields of ground vehicle pose estimation and perception who are looking for modern and updated insight into key concepts related to the field of robotic mobility platforms.