تبدیل یک ماشین RC ارزان به قفل در بی سیم هرگز برای آن در نظر گرفته نشده بود به عنوان مثال ، اجاق های توستر برای نان تست و پختن لقمه های پیتزا طراحی شده اند ، و در عین حال فرهای لحیم کاری را نیز بسیار خوب می سازند. این روح در آموزش دانته رومگا زنده است و نشان می دهد که چگونه یک ماشین ارزان قیمت RC را به قفل بی سیم درب تبدیل کنید.

رومگا در کانال یوتیوب خود Build It نسخه های زیادی از آردوینو دارد ، اما او می خواست با این پروژه به مسیر متفاوتی برود. هدف او ساخت قفل بی سیم درب بدون استفاده از برد توسعه میکروکنترلر بود ، چیزی که اکثر ما بلافاصله به آن می پردازیم. او به این نتیجه رسید که یکی از آن خودروهای ارزان قیمت RC به خوبی کار می کند زیرا آنها بی سیم هستند ، از باتری استفاده می کنند ، برای کنترل موتورها طراحی شده اند و می توانند با قیمتی حدود 10 دلار خریداری شوند. با این حال ، شایان ذکر است که کنترل رادیویی به هیچ وجه امنیت را ارائه نمی دهد ، بنابراین از آن برای قفل کردن چیزهای مهم استفاده نکنید.

برای شروع ، رومگا ماشین RC را جدا کرد و فقط برد کنترل و مجموعه موتور فرمان را نگه داشت. در این حالت ، قفل یک پیچ پیچ ساده است مانند آنچه برای دروازه یا سوله باغ استفاده می کنید. مکانیزم موتور فرمان خودرو RC به اندازه کافی پرتاب می کند تا پیچ و مهره را قفل کرده و باز کند. تنها کاری که رومگا باید انجام می داد نصب برد کنترل روی بدنه قفل و مکانیزم فرمان روی پیچ بود. فشار دادن چوب فرمان روی کنترلر RC پیچ را حرکت می دهد-نیازی به کد نویسی نیست!

Reimagining In-Car UX
[ بازدید : 20 ] [ امتیاز : 3 ] [ نظر شما :

]

Reimagining In-Car UX

ما در دورانی زندگی می کنند که رابط کاربری/طراحی تجربه کاربری در حال احیا است. طراحی و تجربه هرگز اهمیت بیشتری نداشته است. تقاضا برای تجربه کاربری به عنوان شغل در حال افزایش است و دستگاه ها همچنان در حال پیشرفت به چیزی بهتر هستند. با این حال ، یک عرصه برای جلب رضایت کاربران مشکل زیادی دارد: خودروها. وضعیت فعلی UX داخل خودرو را فقط می توان گیج کننده توصیف کرد. باید از خود بپرسیم که اگر طراحان UI/UX بیش از هر زمان دیگری وجود داشته باشند ، چگونه می توان سرگرمی و سرگرمی درون خودرو را بدتر کرد؟ چگونه اتومبیل ها به این نقطه رسیدند و چرا در آنجا هستند؟ در طول این تحقیق ، ما به بررسی تاریخچه طراحی می پردازیم که باعث شده است UX خودرو به جایی برسد و چه کارهایی می توان برای بهبود آن انجام داد.

روزهای قبل از رایانه ها و صفحه های LCD اصلی ، خودروها دارای فضای داخلی ساده بودند. ردیف مرکزی ، آب و هوا و عملکردهای وسایل نقلیه کمکی (چراغ های خطر ، کنترل کشش و غیره) ، پشته مرکزی آنها را مرتب کرده است. این سه ناحیه فقط عملکردهای مربوط به آن ناحیه را کنترل می کردند (برای مثال ، در قسمت رادیو دما را تنظیم نمی کنید). صفحه های دیجیتالی یا وجود نداشتند یا در بهترین حالت متوسط ​​بودند. رابط ها ساده و شهودی بودند. همه عملکردها به دکمه های سخت متکی بود. پس از معرفی رایانه ها ، صفحه های کوچکی برای عملکردهایی مانند کیلومتر شمار و همچنین صفحه رادیو در نظر گرفته شدند. با پیشرفت فناوری رایانه ، سیستم سرگرمی در خودرو نیز پیشرفت کرد.

لحظه محوری زمانی رخ داد که در سال 2001 ب ام و سیستم جدید iDrive خود را بر اساس Windows CE مایکروسافت معرفی کرد که در سال 1996 عرضه شد. هنگامی که مایکروسافت این فناوری را عرضه کرد ، صنعت خودرو حدود 5 سال طول کشید تا این سیستم را توسعه داده و توسعه دهد. این سیستم تقریباً همه عملکردهای وسیله نقلیه را از کنسول مرکزی به صفحه ای منتقل می کند که توسط یک دکمه چرخان بین راننده و سرنشین کنترل می شود. بلافاصله پس از آن ، هر سازنده برای معرفی سیستم های مشابه ، مانند Audi MMI و مرسدس بنز COMAND عجله کرد. پس از عرضه آیفون ، این امر باعث توسعه سیستم هایی شد که UI صفحه اصلی اپل را تکثیر می کردند و همچنین توسعه برنامه ها. کادیلاک تا آنجا پیش می رود که به خود می بالد که سیستم آن درست مانند iPad است. همچنین استفاده از صفحه های لمسی بسیار گسترده تر شد زیرا اپل صفحه های لمسی را به طور باورنکردنی اصلی ساخته است. یکی از اشکالات همه این سیستم ها این است که به همان اندازه که از روندهای تکنولوژیکی کامپیوترها پیروی می کنند ، استفاده از آنها بسیار وحشتناک است.

سیستم های سرگرمی و سرگرمی خودرو به طور فزاینده ای پیچیده شده اند. این روزها بیشتر و بیشتر ویژگی ها به خودروها اضافه می شوند زیرا افزودن ویژگی ها در زبانه اضافی روی صفحه نیازی به فضای فیزیکی اضافی ندارد. با این حال ، فقط به دلیل اینکه این امکان وجود دارد ، به این معنی نیست که همیشه باید انجام شود. سیستم ها معمولاً به برنامه های کاربردی ، تلفن ، رادیو ، آب و هوا ، ناوبری و تنظیمات خودرو تقسیم می شوند. برنامه های کاربردی به طور فزاینده ای از خودرو جدا شده اند و این برنامه ها شامل مرورگرهای اینترنت ، نمرات ورزشی ، خرید بلیط فیلم و موارد دیگر است. صفحه تلفن مخاطبین و سابقه تماس شما را بارگیری می کندهر بار که ماشین خود را راه اندازی می کنید ، اما رابط دسترسی به این ویژگی ها پیچیده و وقت گیر است. رادیو دارای ویژگی های اضافی مانند 150 ایستگاه از پیش تنظیم رادیو و انتخاب بین 7 گزینه مختلف رسانه (مانند USB ، AUX ، SD و غیره) است. صفحه کنترل آب و هوا دارای 10 روش مختلف برای گرم کردن/خنک کردن/ماساژ دادن صندلی شما است. استفاده از پنل های ناوبری اغلب آنقدر ناامید کننده است که مردم به سادگی از آنها استفاده نمی کنند. در عصر چند لمسی و انیمیشن ، شما تصور می کنید که یک صفحه لمسی در یک ماشین مدرن 50،000-500،000 دلار به شما امکان می دهد تا زوم کنید و زوم کنید. نمی کند. در نهایت ، تنظیمات خودرو گاهی اوقات می تواند آنقدر پیچیده باشد که به شما امکان می دهد هر حرکت پویا و کاملاً غیر ضروری را سفارشی کنید. من معتقدم که در دوران مدرن ، ما به جایی رسیده ایم که طراحان UX خودرو به سادگی بینایی خود را از دست داده اند. آنها دیگر آن نور را در انتهای تونل نمی بینند ، و این احتمالاً به این دلیل است که آنها مشغول یافتن نحوه تنظیم سرعت فن نیستند.

اگرچه می توان ادعا کرد که مجموعه ویژگی ها تنها دلیل نگرانی ، ما نمی توانیم فراموش کنیم که طراحی این سیستم ها به همان اندازه وحشتناک است ، و من فکر می کنم که این عامل حتی بیشتر منع کننده کاربران است. سیستم ها هنوز به شدت بر اساس شکوفایی شکل هستند ، زیرا موضوع طراحی "مسطح و مدرن" هنوز به طراحی خودرو تبدیل نشده است. علاوه بر این ، این سیستم ها به طور خطرناکی حواس را پرت می کنند. اگرچه ، در سال های اخیر ، صفحه نمایش ها به بالای داشبورد مهاجرت کرده اند که گامی در جهت درست است.

نمونه هایی از تجربیات کاربران داخل خودرو ناامید کننده است. در اینجا سیستمی است که در فراری کالیفرنیا با قیمت 200 هزار دلار دریافت می کنید. این مثال به ویژه فوق العاده است زیرا این همان سیستمی است که در یک مینی ون 25000 دلاری کرایسلر دریافت می کنید. شوکه کننده است که چنین بخش مهمی از تجربه مالکیت وسیله نقلیه را می توان به راحتی نادیده گرفت. اگر 200 هزار دلار برای فراری جدید ایتالیایی خود پرداخت می کردم ، مطمئناً نمی خواستم سیستم سرگرمی و سرگرمی آن مانند یک مینی ون آمریکایی 25000 دلاری (مشخصه بارز یک ماشین اجاره ای) باشد. تصور کنید اگر آنها چراغ های عقب مشابهی داشتند- این امر همه را در آغوش می گرفت. چگونه یک سیستم سرگرمی و سرگرمی یکسان واکنش مشابهی ایجاد نمی کند؟

ایده یک "در تجربه -car ”تجربه ای است که اساساً با تجربه در دستگاه تلفن همراه شما متفاوت است. بیشتر و بیشتر ، وسایل نقلیه سعی می کنند شبیه تلفن های هوشمند باشند. از آنجا که دستگاه های تلفن همراه جدید بسیار محبوب شده اند ، طراحان تجربه کاربر برای خودروها سعی کرده اند این تجربه را تکرار کنند. می توانید انگشت خود را بکشید ، اسکرول کنید و بسیاری از کارهایی را که معمولاً در iPhone انجام می دهید انجام دهید. با این حال ، این سیستم ها دیر پاسخ می دهند و باعث می شود آیفون ناگهان 10 سال جلوتر (از نظر فناوری) احساس کند. مطمئنم همه اولین باری را که آیفون در دست داشتند به خاطر می آورند. این یک لحظه جادویی بود ، دیدن راهی که به نظر می رسید صفحه نمایش به طور قانونی توسط نوک انگشتان شما کنترل می شود. اشیاء روی صفحه به راحتی دستکاری می شدند. این لحظه بود کهاحساس کردید چیز خاصی در دست دارید ؛ این ارتباط عاطفی فوری وجود داشت این ارتباط عاطفی همان زمانی وجود دارد که اولین بار یک لامبورگینی را در حال رانندگی در خیابان دیدید. این زیبایی نفس شما را می گیرد من معتقدم که وقتی برای اولین بار در یک ماشین جدید می نشینید ، درست همانطور که از بیرون به تصویر می افتید ، تجربه تکنولوژیکی داخل نیز باید به طور مشابه فوق العاده باشد. ما دیگر محدود به فناوری نیستیم. در هر صورت ، ما اینقدر قابلیت های تکنولوژیکی را از دست می دهیم. پیشروان فناوری تلفن همراه و تجربه کاربری برای پر کردن این خلأ وارد عمل شده اند: اپل ، گوگل و Research in Motion (که با Blackberry شناخته می شود).

اپل اخیراً CarPlay را معرفی کرد که در ابتدا (به طرز کنایه آمیزی) در فراری نشان داده شد. کالیفرنیا CarPlay نرم افزار جدیدی است که اپل در iOS 7 نصب کرده است. هنگامی که کاربران دستگاه خود را به خودرو وصل می کنند ، می بینند که نسخه سیستم عامل سرگرمی موجود با iOS بهینه شده است. در اصل ، صفحه نمایش شما از سیستم اطلاعات سرگرمی فراری به iOS در خودرو تبدیل شد. راه حل اپل امیدوار کننده است زیرا نه تنها بر اساس نرم افزاری که همه می شناسند و دوست دارند ، بلکه تخصص UX اپل را نیز به این فضا می بخشد. اگرچه امیدوار کننده تر است ، اما من این سیستم را مثر نمی دانم زیرا هیچ یک از مشکلات موجود را برطرف نمی کند. صفحه لمسی پاسخگو نخواهد بود ، گرافیک همچنان به خوبی آیفون ظاهر نمی شود و سیستم همچنان حواس او را پرت می کند. همچنین ، به جای داشتن یک سیستم عالی ، دو سیستم پخته شده دارید زیرا سازنده تمایل کمتری برای نوآوری دارد. اگر آیفون ندارید ، باید به سیستم شفافی برگردید که اپل قصد دارد آن را جایگزین کند. من از کارهایی که در این زمینه انجام شده قدردانی می کنم ، اما فکر نمی کنم این راه حل مناسبی باشد. این فقط یک رنگ برای یک ایده شکسته است. آنچه نیاز است یک راه حل اساسی است.

Google از پلت فرم Open Automotive Alliance خود رونمایی کرد. مشابه سایر پروژه های Google ، این یک برنامه منبع باز است که توسعه دهندگان را ترغیب می کند تا به کار خود ادامه دهند. ظاهراً Google دو رویکرد را در پیش خواهد گرفت ، خودروهای مجهز به سیستم عامل اندروید نیز وجود خواهند داشت ، اما پیشرفت هایی نیز در گوشی های هوشمند اندرویدی ایجاد شده است که آنها را برای خودرو دوست می کند. تعداد کمی از خودروسازان وارد پروژه گوگل شده اند ، به احتمال زیاد به این دلیل که هنوز زود است. من همچنین فکر می کنم گوگل با مشکل مشابه اپل مواجه می شود و سعی می کند یک سیستم خراب را برطرف کند.

Research in Motion آخرین شرکت فناوری است که سعی می کند تجربه خودرو را برطرف کند. این شرکت در واقع یک زیرمجموعه کامل ایجاد کرده است که تنها به فناوری خودرو اختصاص دارد و QNX نامیده می شود. برخلاف اپل و گوگل ، آنها سعی می کنند با ساختن یک سیستم جدید از گروه جدید و استفاده مستقیم از آن در خودرو ، فناوری خودرو را بهتر کنند ، بدون این که شما نیاز به یک دستگاه بلک بری داشته باشید تا سیستم آنها کار کند. سیستم آنها در برنامه های مختلف استفاده می شود اما هنوز به طور گسترده مورد استفاده قرار نگرفته است. از همهسه شرکت بزرگ ، من فکر می کنم آنها امیدوار کننده ترین محصول هستند. بسیار عالی است زیرا به داشتن آیفون بستگی ندارد. علاوه بر این ، پاسخگویی صفحه لمسی فوق العاده است. QNX همچنین دارای سیستم تشخیص صدا Nuance است که یکی از بهترین ها است و دارای قابلیت پردازش سریع سبک می باشد. از نظر طراحی نیز به همان اندازه چشمگیر است. این مورد نیازهای اساسی را بدون چمدان آن برنامه های اضافی در بر می گیرد. با این حال ، من بار دیگر معتقدم که این راه حل به طور اساسی در رویکرد ما در مورد تجربه در ماشین تجدید نظر نمی کند.

زمان شروع مجدد است.

در تجسم مجدد تجربه در خودرو ، من از سه جهت استفاده کردم:

1) من فکر می کنم اولین راهی که می توانیم تجربه خودرو را بهبود بخشیم این است که تعداد صفحه نمایش های موجود در وسایل نقلیه را یکپارچه کنیم. بزرگترین مثال در اینفینیتی Q50 2015 است که دارای 3 صفحه نمایش مختلف است ، دو صفحه در کنسول وسط و یکی در دسته ابزار. این افزونگی برای بسیاری از مردم گیج کننده است. من معتقدم که مجموعه ابزارها باید به یک پنل بزرگ TFT تبدیل شود که عملکردهای اصلی را کنترل کرده و صفحه نمایش های کنسول مرکزی را از بین ببرد. این ممکن است در ابتدا کمی تکان دهنده باشد ، اما داشتن اطلاعات ارزشمند در دید رانندگان نه تنها حواس پرتی را کاهش می دهد ، بلکه این امر باعث می شود که قرارگیری صفحه نمایش بسیار بصری تر شود. رابط کاربری موجود باید بسیار ساده باشد و دارای چهار زبانه در بالای صفحه باشد: رادیو/نقشه/تلفن/وسیله نقلیه. در هر گوشه ، سرعت سنج و سرعت سنج را قرار می دهید تا همیشه در دید باشند. من کنترل های آب و هوایی را روی پشته مرکزی نگه می دارم زیرا نباید در این سیستم جمع شوند.

2) دومین تمرکز باید استفاده از Heads-Up Display باشد. همانطور که دوربین های عقب اجباری شده اند ، من فکر می کنم HUD نیز باید اجباری باشد. ارائه اطلاعات ضروری (به عنوان مثال سرعت ، محدودیت سرعت ، مسیرهای ناوبری ، نمایش اعلان های ورودی) نه تنها برای راننده مفید است ، بلکه نیاز رانندگان به چشم از جاده را نیز کاهش می دهد. این سیستم ها به دلیل کارآیی خود در اتومبیل های اسپرت در حال حاضر استفاده می شوند و باید در وسایل نقلیه اصلی پیاده سازی شوند.

3) سومین تمرکز باید تشخیص صدا باشد. در دوران Siri و Google Now ، من فکر می کنم پیاده سازی نرم افزار تشخیص صحیح سخت نیست. سیستم های فعلی تشخیص صدا یا کند ، نادرست هستند یا از شما می خواهند دستورات مسخره را به خاطر بسپارید. آنچه QNX با سیستم خود انجام داده است باید الگویی برای صنعت باشد. در یک ویدیوی نمایشی ، یک مرد می گوید: "بیتلز را بازی کنید" و در عرض چند ثانیه آهنگ بیتلز در حال پخش است. من باید بتوانم دستورات پیچیده تری مانند "اینجا سرد است" بدهم و سیستم گرما را افزایش می دهد. روش کنترل صدا در خودرو باید یکپارچه ، بصری و طبیعی باشد.

ترکیب این سه ایده در یک وسیله نقلیه دقیقاً به نظر من تجربه کاربر داخل خودرو باید باشد. آئودی TT 2015 گامی در جهت درست بردارد. کنسول وسط فاقد صفحه نمایش است و بسیار پیشرفته است. ایندریچه های هوا دارای یک رابط آب و هوایی شبیه به Nest با سه دریچه مختلف هستند: یک دما ، یک سرعت فن و یک جهت هوا. ساده ، شهودی و زیبا. سایر عملکردهای ضروری خودرو بر روی کنسول مرکزی مانند چراغ های خطر ، کنترل کشش و غیره باقی می ماند.

INSTRUMENT CLUSTER:

این تجربه جدید چگونه خواهد بود:

من یک مدل از به اعتقاد من خوشه ابزار باید باشد. برای مقایسه ، من یک خوشه اندازه گیری را امروز در Cadillac CTS 2015 قرار دادم. در حالی که جذاب نیست ، اما مشغول است و اطلاعات ضروری بلافاصله دیده نمی شود. برای طراحی مجددم ، تمام اطلاعات غیر ضروری را حذف کردم. مجموعه ابزار فقط چهار زبانه در مرکز دارد: رادیو ، نقشه ، تلفن و وسیله نقلیه. در مرکز پایین یک مرکز اطلاع رسانی وجود دارد که هشدارها یا پخش موسیقی فعلی را نمایش می دهد. اینها همه عملکردها را از کنسول مرکزی حذف می کنند و در عوض آنها را مستقیماً در خط دید شما قرار می دهند. در مرکز پایین یک مرکز اطلاع رسانی وجود دارد که هشدارها یا پخش موسیقی فعلی را نمایش می دهد. من نمی فهمم چرا خوشه های گیج دیجیتال هنوز از نسخه های دیجیتال شماره گیری استفاده می کنند- این یک طراحی شکلی است که می توانیم آن را کنار بگذاریم. من سرعت سنج را ایجاد کردم و دایره های بزرگ را با خوانش های دیجیتالی مقابله کردم. سرعت سنج بسته به سرعت تغییر رنگ می دهد. هنگام رانندگی زیر یا نزدیک به سرعت مجاز ، دایره سبز روشن می شود. در حد یا کمی بالاتر از حد ، نارنجی می درخشد. بسیار بالاتر از حد مجاز ، قرمز روشن می شود ، تا به سرعت به رانندگان سیگنال دهید که از سرعت مجاز فراتر رفته اند.

صدا:

نقشه ها:

تلفن:

در اینجا یک نمونه اولیه از صفحه تماس وجود دارد:

HUD:

به طور متوسط ​​، سالانه پانزده میلیون خودرو فروخته می شود. این پانزده میلیون وسیله نقلیه با تجربه های ناامیدکننده در خودرو است. این صنعت در حال بهبود است و من معتقدم که تجمیع صفحه نمایش ، افزودن HUD و ترکیب تشخیص صدای عالی تا حد زیادی به زندگی روزمره وسایل نقلیه کمک می کند تا مردم دوباره از آن لذت ببرند. همانطور که طراحی نرم افزار و تجربه کاربر اخیراً به خودی خود وارد شده است ، من معتقدم که طراحی خودرو نیز در آینده نزدیک همین کار را انجام می دهد. ایجاد یک "فاکتور عالی" در آینده ، همراه با تجربه درخشان و شهودی در خودرو ، نسل بعدی فضای داخلی خودرو را تقویت می کند.

طنز تایر

اتومبیل خودران شما بیشتر به کی علاقه مند است؟

چه کسی شما را دوست دارد عزیزم؟

اخیراً ، مقاله ای در مورد یک ماشین خودران نوشتم. ماشین را مرد کردم خواننده ای گفت: "چرا اینقدر جنسیت گرا؟ چرا خودروها همیشه باید مرد باشند؟ "

فرار بزرگ: یک مرد ، یک ماشین و یک داستان 420،000 کیلومتری

فرار. شاید در رفت و آمد صبح خود ، در جاده یا متروی مملو از افراد غریبه به آن فکر کنید. یا شاید نگاهی اجمالی به بیرون از پنجره دفتر. هر زمان که این ایده رخ می دهد ، آیا اجازه می دهید آن را بگذرانید و به روال عادی خود ادامه دهید یا از فرصت برای هر چیزی که ارزشش را دارد استفاده کنید؟

برای بسیاری از ما ، ایده فرار بیش از یک رویا نیست که در حال محو شدن است. به اما برای آرون لیو ، این لحظه ای بود که زندگی او را کاملاً تغییر داد. اشتیاق آرون همیشه خود را بیان می کرد ، افکار خود را با کلمه و هنر کنار می گذاشت و یک زندگی معمولی اما در عین حال منحصر به فرد را ثبت می کرد. اما پس از فارغ التحصیلی از موسسه هنرهای زیبا سیچوان ، آرون وارد جنگل بتنی شانگهای شد و به مدت 10 سال به عنوان یک طراح صنعتی به روال عادی روی آورد. تا اینکه فرصت فرار او فراهم شد.

یک شب ، او به سادگی از کار خود دور شد ، سوار SUV خود شد و تورهای خود را در سراسر چین آغاز کرد. او از آن روز به عقب نگاه نکرده و تبدیل به یک مسافر جاه طلب شده است که سفر خود را در SkyPixel ثبت می کند. هارون پس از تکمیل دومین سفر بین المللی خود ، درباره زندگی خود در جاده صحبت می کند.

SkyPixel: چه چیزی باعث شد که سوار ماشین خود شوید و در سراسر چین سفر کنید؟

آرون: احساس می کردم در تمام عمرم فقط در خواب بودم. اما یک شب در سال 2015 ، بالاخره احساس کردم از خواب بیدار شده ام. توصیف این احساس یا منشاء آن دشوار است ، اما باعث شد سریع عمل کنم. من بلافاصله کارم را رها کردم ، شش ماه وقت گذاشتم تا وسایل را تهیه کنم و سپس با یک SUV کوچک 2WD از شانگهای بلند شدم. طی سه ماه ، 210،000 کیلومتر را طی کردم و سفر را در حدود صد هزار کلمه ، تصویر و فیلم ثبت کردم.

هارون: این اولین تجربه من در انجام چنین کاری بود ، بنابراین پشیمانی قطعی وجود داشت ، که بیشتر به همین دلیل بود که من تصمیم گرفتم دوباره این کار را انجام دهم. در دومین سفر انفرادی ، من مسیری کاملاً متفاوت را انتخاب کردم که مناطق دور افتاده را پوشش می داد ، برخی از آنها جایی که من تنها انسان آنجا بودم.

هارون: من مسیر خود را با دقت انتخاب کردم. من این بار از بزرگراه G317 برای ورود به تبت استفاده کردم ، سپس در امتداد G219 زیبای شمال غربی رفتم و از صحرای گوبی در بزرگراه G217 و دوکو عبور کردم. حتی به تنهایی به حوض قیدم رفتم ، جایی که مدتها بود مقصد رویایی من بود.

آرون: در تمام این مدت ، تمام رانندگی و ضبط را به تنهایی انجام می دادم. من در کنار یخ زدن گذرگاه های کوه در وسط هیچ جا خوابیدم. کوههای باشکوه و بیابانهای بی پایان در طول روز با تاریک شدن آسمان تبدیل به کابوس من شد. این یک چالش بود که من دوباره آن را انجام خواهم داد.

هارون: اتفاقی ، این سفر همچنین 210،000 کیلومتر را طی سه ماه طی کرد ، بنابراین در مجموع سفرهای من 420،000 کیلومتر را طی کرد. با داستانهای بسیار از آن فاصله ، من به شانگهای بازگشتم ، با عصبانیت تصاویری را برای دسته جدیدی از داستانهای انفرادی سفر ویرایش می کنم.

هارون: در SUV من کاملاً با داستانهای مسافرتی بارگیری شده است ، من شانگهای را با قدرت برگردانده ام و مشغول ویرایش فایلهای خود بودمتصاویری برای داستانهای جدید سفر.

SkyPixel: از چه تجهیزاتی برای عکاسی هوایی استفاده کردید و چرا؟

آرون: من در اولین سفرم یک Phantom 3 Pro را با خود بردم. متأسفانه ، در مکانی در ارتفاع 5000 متری از سطح دریا در تبت سقوط کرد. نزدیکترین خرده فروش هواپیماهای بدون سرنشین در چنگدو بود ، بنابراین من شب و روز برای خرید یکی دیگر رانندگی می کردم ، سپس همه را به تبت بردم. و همه چیز ارزشش را داشت!

هارون: من برای این سفر دوم درس آموختم. این بار من سه هواپیمای بدون سرنشین گرفتم که هرکدام هدف منحصر به فردی داشتند.

Phantom 4 Pro:

این هواپیمای بدون سرنشین کیفیت فیلم را در طول سفر تعیین کرد. Phantom 4 Pro با ترکیب سنسور 1 اینچی ، وضوح 4k@60fps و فیلتر چگالی خنثی من را شگفت زده کرد. این قطعاً اولین انتخاب من برای فیلم در جاده یا مسیر است.

حساب شخصی من در Wechat "Travel Afar" به زودی تریلری از "The Origin" ، فیلم کوتاه فیلمبرداری شده با Phantom 4 Pro منتشر می کند. من از حالت های پرواز هوشمند آن برای هر بیت از فیلم ، از جمله عکس ردیابی ماشین خود استفاده کردم. با ما همراه باشید!

این یکی از پوسترهای جلد است که توسط Phantom 4 Pro نیز گرفته شده است.

Mavic Pro:

این مکان در نزدیکی مرز ، 5500 متر بالاتر از سطح دریا و به طور کامل توسط هیچ سرزمین غیر مسکونی محصور نشده است. طیف وسیعی از یخچال ها بی سر و صدا در اینجا قرار دارند.

می دانید ، من برای صعود به یال مورین و پیاده روی یک کیلومتر دیگر نیاز داشتم تا به محل مورد نظر برسم. در ارتفاع 5400 متری ، انجام هرگونه صعود واقعا خسته کننده بود. من به هر دو دست آزاد و تا حد امکان برای حمل نیاز داشتم و قابلیت حمل Mavic Pro مزیت بزرگی بود.

جرقه:

با چادر ، پاد خواب ، وسایل آشپزی ، غذا و تجهیزات عکاسی ، باید با بار سنگین پیاده روی می کردم. در چنین مکانهای متروک ، باید مراقب باران ، برف و حتی رانش زمین بودم. تمام آب من از نهر کوچکی بیرون آمد.

در طول راه ، با دوستم در اورومچی ملاقات کردم. با شروع از حوضه تورپان ، سه روز طول کشید تا از کوههای دابان و تیانشان بالا برویم و سرانجام به حوضه یونگگار رسیدیم.

در یک نقطه ، یک هم تیمی پاهایش را مجروح کرد ، بنابراین من برخی از وسایل او را حمل کردم و در مجموع بار 25 کیلوگرم را تحمل کردم. من از آن دسته افرادی هستم که نمی توانند بدون پهپاد سفر کنند ، بنابراین جرقه سبک و جمع و جور یک انتخاب طبیعی شد.

در نیمه دوم سفرم ، خوش شانس بودم که اولین بارش برف را در کوه تیانشان دیدم. با پوشیده شدن جاده ها از برف و پل یخ زده ، آن قسمت از سفر به ویژه خطرناک بود. سرانجام ، ما آن را ایمن و سالم کردیم ، من واقعاً از تیمم برای ماجراجویی بزرگی که با هم انجام دادیم سپاسگزارم.

SkyPixel: عکس هوایی مورد علاقه شما در این سفر چیست؟ آیا می توانید به ما نشان دهید و چیزی در پشت آن به ما بگویید؟

هارون: من با ارزش 3 ترابایت به خانه آوردماطلاعات پس از این ماجراجویی صادقانه بگویم ، من عاشق هر تصویر و ویدیویی هستم. من هنوز سعی می کنم پرونده ها را سازمان دهی کنم ، زیرا این یک پروژه بزرگ است! بعداً داستانهای پشت سر آنها را در داستانهای سفرم منتشر خواهم کرد.

SkyPixel: آیا می توانید نقاط مورد علاقه خود را برای عکاسی هوایی به ما پیشنهاد دهید؟

هارون: چین مملو از مناظر شگفت انگیز است ، اما در اینجا چند توصیه وجود دارد:

استان هوبئی: انشی گرند کانیان ، سیدو پل رودخانه ، کوه Qiyue ؛

بزرگراه سیچوان-تبت: گذرگاه کوهی Que'er ، معبد Yqing ، کوه Haizi ، Sertar ، Bamei. واقعاً چیزهای زیادی برای دیدن در طول بزرگراه وجود دارد ؛

بزرگراه سین کیانگ-تبت: چشم انداز جنگل خاک زاندا ، کوگر ، دهکده ژوژو ، دریاچه پوما یومکو ، یخچال Cuo Jia ؛

دوکو: از آکسو ، کوکا تا دوشانزی دیدنی های زیادی وجود دارد. گراند کانیون دوشانزی و سرنگ بزرگ آنجیهای نیز زیبا هستند ؛

استان چینگهای: یاردانگ در حوضه قیدام (G315) ، یاردانگ در بالای آب

آلتای ، و کاناس در سین کیانگ شگفت انگیز هستند. < /p>

واقعاً چیزهای زیادی برای کشف در این کشور وجود دارد.

SkyPixel: آیا شرکت کردید در مسابقه عکس SkyPixel 2017؟ در سه دسته - منظره ، پرتره و داستان - برای کدام یک بیشترین محتوا را ایجاد کرده اید؟ آیا می توانید تجربه خود را با ما در میان بگذارید؟

هارون: البته من این کار را کردم!

هارون: من فکر می کنم از هر سه دسته عکس های زیادی گرفته ام. من همیشه عکس یا ویدئو را وسیله ای برای انتقال داستانهای بزرگ می دانم ، زیرا به شما امکان می دهد آن را به افراد بیشتری منتقل کنید. این چیزی است که باعث می شود من بنویسم و ​​عکس بگیرم.

هارون: در مورد تجربه عکاسی ، آنها را برای گزارش سفر خود می گذارم. به هر حال ، این سفر طولانی با داستانهای بسیار است.

برای مشاهده بیشتر کلیک کنید: https://www.skypixel.com/user/4771924

یادگیری عمیق

طبقه بندی مارک خودرو در یادگیری عمیق با پایتون

انتقال یادگیری VGG16 و Resnet 50 با استفاده از Keras

مقدمه

در این مقاله ، طبقه بندی مارک خودرو را با استفاده از تصاویر پیاده سازی می کنیم از خودروهای 3 مارک: مرسدس ، آئودی و لامبورگینی.

VGG-16 یک شبکه عصبی کانولوشن عمیق 16 لایه است که می تواند تصاویر را در 1000 دسته اشیا طبقه بندی کند.

این داده ها مجموعه شامل تصاویر خودرو مورد استفاده برای طبقه بندی مارک است. در اینجا ، ما دو پوشه داریم به نام train and test ، هر کدام دارای سه پوشه به نام های Lamborghini ، Audi و Mercedes هستند. میلیون ها نقطه داده دارای برچسب برای آموزش چنین مدلهای پیچیده ای ندارید.

اکنون بیایید همه کتابخانه های مورد نیاز را وارد کنیم

در اینجا ، ما از Keras استفاده می کنیم زیرا آزمایش سریع با شبکه های عصبی عمیق را امکان پذیر می کند. به ما مدل خود را با کمک Resnet 50 می سازیم زیرا می تواند شبکه های عصبی عمیق را با لایه های متعدد آموزش دهد.

ما باید نمونه های آموزشی جدیدی را از نمونه های موجود ایجاد کنیم ، این فرایند در حال حاضر افزایش تصویر است. این را می توان با استفاده از Image Data Generator انجام داد.

مجموعه داده مورد استفاده را می توانید از اینجا بارگیری کنید: مجموعه عکس تصاویر نام تجاری خودرو | Kaggle

# وارد کردن کتابخانه های مورد نیاز 

 از tensorflow.keras.layers وارد کردن ورودی ، Lambda ، Dense ، Flatten
از tensorflow.keras.models مدل واردات
از tensorflow.keras.applications.resnet50 وارد ResNet50 

#واردات VGG16
از tensorflow.keras.applications.resnet50
preprocess_input را وارد کنید
از tensorflow.keras.preprocessing import image
از واردات tensorflow.keras.preprocessing.image
                                ImageDataGenerator ، load_img 

 from tensorflow.keras.models import Sequential 

 import numpy as np
import matplotlib.pyplot as plt 

 from glob import glob 

همه تصاویر را به اندازه [224 ، 224] تغییر دهید و یک فهرست با دو پوشه جداگانه با نام train و test ایجاد کنید. این پوشه ها شامل تصاویر اتومبیل های مورد نیاز برای طبقه بندی هستند. = 'مجموعه داده ها/قطار' valid_path = 'مجموعه داده ها/آزمایش'

ما از وزن های imagenet استفاده می کنیم زیرا نیازی به آموزش شبکه عصبی از ابتدا نیست.

# استفاده از وزن imagenet 

 resnet = ResNet50 (input_shape = IMAGE_SIZE + [3] ، وزن = 'imagenet' ،
                  include_top = False) 

در اینجا ما از Resnet استفاده می کنیم زیرا پیشرفت اساسی در ResNet این بود که به ما اجازه داد شبکه های عصبی بسیار عمیق را با بیش از 150 لایه با موفقیت آموزش دهیم.

# وزنه های موجود را آموزش ندهید 

 برای لایه در resnet.layers:
    layer.trainable = False 

# این به دریافت تعداد کلاسهای خروجی کمک می کند
پوشه ها = glob ('مجموعه داده ها/قطار/*') 

# لایه های ما
x = Flatten () (resnet.output) 

 prediction = متراکم (len (پوشه ها) ، فعال سازی = 'softmax') (x) 

# ایجاد مدل شی 

 model = model (ورودی = resnet.input ، خروجی = پیش بینی)
model.summary () 

در اینجا از categorical_crossentropy استفاده می کنیم یک تابع ضرر است که در کارهای طبقه بندی چند طبقه ای استفاده می شود.

# مدل را 

 کامپایل کنید. کامپایل (loss = 'categorical_crossentropy'، optimizer = 'adam'،
              metrics = ['دقت']) 

# استفاده از مولد داده های تصویری 

 از tensorflow.keras.preprocessing.image import ImageDataGenerator 

 train_datagen = ImageDataGenerator (بازپرداخت = 1./255 ، محدوده برشی =
                      0.2 ، zoom_range = 0.2 ، horizontal_flip = True) 

 test_datagen = ImageDataGenerator (رسپرس = 1./255)

training_set= train_datagen.flow_from_directory ("مجموعه داده ها/قطار" ،
                                         target_size = (224 ، 224) ،
                                         batch_size = 32 ،
                                         class_mode = 'طبقه بندی') 

 #output:
64 تصویر متعلق به 3 کلاس پیدا شد.

 test_set = test_datagen.flow_from_directory ("مجموعه داده ها/تست" ،
                                        target_size = (224 ، 224) ،
                                        batch_size = 32 ،
                                        class_mode = ‘categorical’) 

 #output:
58 تصویر متعلق به 3 کلاس یافت شد.
                       دوره ها = 50 ، steps_per_epoch = لن (مجموعه_آموزش) ،
                       validation_steps = len (test_set) 

اکنون ، نقشه ضرر

# طرح ضرر 

 plt.plot (r.history [' ضرر '] ، label =' از دست دادن قطار ')
plt.plot (r.history ['val_loss']، label = 'val loss')
plt.legend ()
plt.show ()
plt.savefig ('LossVal_loss') 

# ترسیم دقت 

 plt.plot (r.history ['دقت'] ، label = 'acc accrain')
plt.plot (r.history ['val_accuracy']، label = 'val acc')
plt.legend ()
plt.show ()
plt.savefig ('AccVal_acc') 

از نمودار فوق ، می توانیم استنباط کنیم که ضرر اعتبار بیشتر از تلفات قطار و دقت قطار بیشتر از اعتبار اعتبار است.

اکنون ما باید مدل خود را ذخیره کنیم با فرمت فایل h5 برای آزمایش بیشتر مدل. model.save ('model_resnet50.h5')

پس از بارگذاری مدل ، بیایید پیش بینی هایی را در مجموعه آزمایش انجام دهیم.

 y_pred = model.predict (test_set)
y_pred 

Np.argmax () در اینجا برای بدست آوردن شاخصهای حداکثر عنصر از یک آرایه استفاده می شود.

 y_pred = np.argmax (y_pred، axis = 1)
y_pred 

 از tensorflow.keras .models وارد کنید load_model 

#بارگذاری فایل h5 در مدل
model = load_model ('model_resnet50.h5') 

اکنون ما مدل را بر روی هر تصویر تصادفی از داده های آزمایش آزمایش می کنیم.

 img = image.load_img ('مجموعه داده ها/تست/لامبورگینی /11.jpg'،target_size=(224،224)) 

 x = image.img_to_array (img)
x 

#شکل از تصویر
x.shape 

 #output:
(224 ، 224 ، 3) 

#عادی سازی مقادیر پیکسل های تصویر
x = x/255 

#ابعاد تصویر را گسترش دهید 

 x = np.expand_dims (x، axis = 0)
img_data = preprocess_input (x)
img_data.shape 

 #output:
(1 ، 224 ، 224 ، 3) 

در حال حاضر ، پیش بینی در مورد img_data

 model.predict (img_data) 

 #output:
آرایه ([[0.01513638 ، 0.01566849 ، 0.9691952]] ، dtype = float32) 

 a = np.argmax (model.predict (img_data) ، محور = 1)
a == 1 

 #output:
آرایه ([درست]) 

بنابراین ما طبقه بندی تصویر را بر روی مجموعه داده انجام می دهیم.

نتیجه گیری:

این مقاله یک روش عملی برای طبقه بندی خودروها ارائه می دهد تصاویر مارک از این مدل می توان برای پیش بینی مارک خودرو با استفاده از فایل "h5" استفاده کرد.

امیدوارم مقاله را دوست داشته باشید. در LinkedIn و توییتر خود با من تماس بگیرید.

مقالات توصیه شده

1. NLP - صفر به قهرمان با پایتون 2. ساختارهای داده پایتون انواع داده ها و اشیاء 3. استثناء مفاهیم دستکاری در پایتون 4. چرا LSTM در یادگیری عمیق مفیدتر از RNN است؟ 5. شبکه های عصبی: ظهور شبکه های عصبی مکرر 6. رگرسیون خطی به طور کامل با پایتون توضیح داده شده است 7. رگرسیون لجستیک به طور کامل با پایتون توضیح داده شده است 8. تفاوت بین concat () ، ادغام () و پیوستن () به پایتون 9. نزاع داده ها با پایتون - قسمت 1 10. ماتریس گیجی در یادگیری ماشین

تله کابین

تا Mendocino سوار

به خاطر نمی آورم همه چیز به نظر می رسد چنین مبهمی است همه چیزهایی که فکر می کردم اما هرگز به او نگفت

قدم زدن در سان فرانسیسکو بازوها محکم به هم متصل شده اند ناپدید شدن در مه قبل از ظهر و هوای آفتابی

پهپاد ابتدا یک کلاه فارغ التحصیلی می شود و سپس یک ماشین RC

فصل فارغ التحصیلی است و اگر مدرک خود را در دسته ای پر از افرادی که روپوش و کلاه مشکی پوشیده اند دریافت می کنید ، سپس قسمت بالای آن را تزئین کنید کلاه خود را تنها راه واقعی برای نشان دادن فردیت خود است. اکثر مردم روی کلاه خود پیام های مبهم یا الهام بخش می نویسند که در مورد آنها چیزی می گوید. اما ، یعقوب هوور بیشتر مردم نیست و در عوض کلاه خود را به یک هواپیمای بدون سرنشین تبدیل کرد.

هوور مدرک مهندسی مکانیک خود را دریافت کرد ، بنابراین ساخت هواپیمای بدون سرنشین درست در کوچه او بود. او در گذشته چندین هواپیمای بدون سرنشین ساخته است ، بنابراین اکثر قطعات مورد نیاز برای کوادکوپتر کلاه را در اختیار داشت. پس از تقویت کلاه مقوایی با یک قاب آلومینیومی ، او آن را با قطعات استاندارد مانند 4 در 1 ESC ، گیرنده RC ، باتری LiPo و موتورهای بدون برس پرواز کرد. هوور می گوید پهپاد را برای پایداری به جای چابکی تنظیم کرده است-ایده خوبی در محیط شلوغ-اما هنوز هم می تواند تلنگر بزند.

و سرگرمی به همین جا ختم نشد. پس از جشن فارغ التحصیلی ، هوور پهپاد را به یک ماشین RC تبدیل کرد. او بازوهای قاب را به سمت پایین خم کرد و قسمت های پشتی را با چرخ ها جایگزین کرد. هر چند تغییرات فیزیکی بخش ساده ای بود و پیکربندی مجدد کنترل کننده برای کار در رانندگی زمینی دشوارتر از آن بود که به نظر می رسد. اما ، او توانست کار کند ، و اکنون یک ماشین RC جالب با سابقه بسیار خاص دارد.

فیلتر Kalman توسعه یافته ساده-نانو درجه اتومبیل خودران Udacity

ما می توانیم از فیلتر کالمن در هر مکانی که اطلاعات نامشخصی در مورد برخی از سیستم های پویا داریم استفاده کنیم ، و می تواند حدس آگاهانه ای در مورد سیستم بعدی در نظر بگیرد. آیا جالب است؟

در اینجا به حقایق جالب دیگر می پردازیم:

در دهه 1960 ، فیلتر کالمن برای ناوبری پروژه آپولو مورد استفاده قرار گرفت ، که برای برآورد مسیر سرنشین دار نیاز داشت. فضاپیما به ماه می رود و برمی گردد همچنین امروزه به خلبانان شرکت های هواپیمایی تجاری کمک می کند که از نیویورک به سیاتل بروند بدون اینکه مثلاً در سان دیه گو بیایند. درجه رانندگی اتومبیل خودران هدف پروژه نوشتن الگوریتم فیلتر کالمن و فیلتر کالمنت گسترده برای ردیابی دقیق موقعیت و سرعت دوچرخه است. Udacity ارائه می دهد اندازه گیری لیدار و رادار شبیه سازی شده برای تشخیص دوچرخه ای که در اطراف وسیله نقلیه حرکت می کند.

انتظار می رود که این مقاله مفهوم فیلتر کالمن و الگوریتم های فیلتر Kalman Extended را به طور مفصل به شما ارائه دهد.

< h1> فیلتر کالمن چیست؟

فیلتر کالمن یک الگوریتم برآورد بهینه است که برای برآورد حالات یک سیستم از اندازه گیری های غیر مستقیم و نامشخص استفاده می شود. فیلتر کالمن فقط برای سیستم های خطی تعریف شده است. اگر سیستم غیر خطی دارید و می خواهید وضعیت سیستم را برآورد کنید ، باید از برآورد کننده حالت غیر خطی استفاده کنید. اندازه گیری این سنسورها دقیق نیست زیرا در معرض رانش یا سر و صدا هستند. می توان از فیلتر کالمن برای جوش دادن اندازه گیری این سنسورها برای پیدا کردن برآورد بهینه موقعیت دقیق استفاده کرد. دو چرخه اصلی: پیش بینی و اندازه گیری.

از سخنرانی Udacity

قبل از وارد شدن به جزئیات چرخه الگوریتم فیلتر کالمن ، مثال زیر را برای تخمین موقعیت خودرو بر اساس نتیجه پیش بینی و نتیجه اندازه گیری با استفاده از فیلتر کالمن در نظر بگیرید. ما می توانیم اصول کار فیلترهای کالمن را با استفاده از تابع چگالی احتمال مطابق شکل زیر توضیح دهیم.

در مرحله اولیه k-1 ، موقعیت خودرو می تواند در موقعیت متوسط ​​توزیع گاوسی در موقعیت xk-1 باشد. در مرحله بعدی K ، عدم قطعیت در موقعیت xk افزایش می یابد که در زیر با واریانس بزرگتر نشان داده شده است.

مورد بعدی نتیجه اندازه گیری y از سنسورها و نویز است که در واریانس سومین توزیع گاوسی نشان داده شده است.

فیلتر کالمن می گوید روش بهینه برای تخمین موقعیت ترکیب این دو نتیجه است. این کار با ضرب این دو تابع احتمال با هم انجام می شود و نتیجه نیز یک تابع گوسی دیگر خواهد بود.

بیایید به دو چرخه فیلترهای کالمن بپردازیم: پیش بینی و اندازه گیری.

پیش بینی

فرض کنید موقعیت فعلی یک شی را می دانیم و سرعت را که در متغیر x نگه می داریم. حالا یک ثانیه گذشت. ما می توانیم پیش بینی کنیم که جسم یک ثانیه بعد کجا خواهد بود زیرا موقعیت و سرعت جسم را در یک ثانیه می دانستیمپیش؛ ما فقط فرض می کنیم که جسم با همان سرعت حرکت می کند.

اما شاید جسم سرعت یکسانی را حفظ نکرده باشد. شاید شی تغییر جهت داده ، شتاب گرفته یا کند شده است. بنابراین وقتی موقعیت را یک ثانیه بعد پیش بینی می کنیم ، عدم قطعیت ما افزایش می یابد.

x بردار حالت متوسط ​​است. برای فیلتر کالمن گسترده ، بردار حالت متوسط ​​حاوی اطلاعاتی در مورد موقعیت و سرعت جسم است که شما در حال ردیابی آن هستید. این بردار حالت "متوسط" نامیده می شود زیرا موقعیت و سرعت با توزیع گوسی با میانگین x نشان داده می شود. P ماتریس کوواریانس حالت است که حاوی اطلاعاتی درباره عدم قطعیت موقعیت و سرعت جسم است. می توانید تصور کنید که دارای انحرافات استاندارد است. Q ماتریس کوواریانس فرآیند است. این یک ماتریس کواریانس است که با سر و صدا در حالتها مرتبط است. من معادله ای را برای محاسبه ماتریس در اینجا مشخص نکردم.

ما قصد داریم داده ها را از دو نوع اندازه گیری (حسگر) بدست آوریم:

اندازه گیری لیزری اندازه گیری رادار

اندازه گیری لیزری به ما امکان می دهد موقعیت فعلی جسم اما نه سرعت آن از سوی دیگر اندازه گیری های لیزری وضوح بیشتری دارند.

از سخنرانی Udacity < /img>

همانطور که در بالا نشان داده شد ، این معادله برای یافتن x و P است. اندازه گیری و نمایش بردار حالت در زیر نشان داده شده است.

z بردار اندازه گیری است. برای یک سنسور لیدار ، بردار z شامل موقعیت − x و اندازه گیری موقعیت y است. برای لیدار ، این یک روش فانتزی برای گفتن این است که ما اطلاعات سرعت را از متغیر حالت دور می کنیم زیرا سنسور لیدار فقط موقعیت را اندازه گیری می کند: بردار حالت x شامل اطلاعاتی در مورد [px ، py ، vx ، vy] در حالی که z بردار فقط شامل [px ، py] خواهد بود. ضرب Hx به ما اجازه می دهد x ، باور خود را با z ، اندازه گیری سنسور مقایسه کنیم. R فقط ماتریس کوواریانس نویز اندازه گیری است. من معادله ای را برای محاسبه ماتریس در اینجا مشخص نکردم.

اندازه گیری رادار فراتر می رود و به ما امکان می دهد اطلاعات سرعت را نیز بدست آوریم. بخشی از به روزرسانی اندازه گیری رادار در بخش فیلتر گسترده کالمن توضیح داده می شود.

فیلترهای کالمنت گسترده چیست؟

فیلترهای گسترش یافته کالمن (EKF) توزیع را در حدود میانگین برآورد جاری خطی می کند و سپس از این خطی سازی در حالتهای پیش بینی و به روزرسانی الگوریتم فیلتر Kalman استفاده کنید. یک تابع گاوس. فیلتر دیگر کاربردی ندارد زیرا فقط با توابع گاوسی کار می کند.

از Udacity سخنرانی

یکی از راه حل ها این است که تابع h (x) را خطی کنیم و این کلید EKF است.

از سخنرانی Udacity ure

EKF از روشی به نام First Order Taylor Expansion برای خطی سازی عملکرد استفاده می کند.

اگرچه اثبات ریاضی تا حدودی پیچیده است ، اما معلوم می شود که معادلات فیلتر Kalman و معادلات EKF بسیار مشابه.

از سخنرانی Udacity

تفاوت های اصلی :

هنگام محاسبه P mat ماتریس F با Fj جایگزین می شود. ماتریس H درفیلتر کالمن با محاسبه S ، K و P با ماتریس Jacobian جایگزین می شود. برای محاسبه x ′ ، تابع به روز رسانی پیش بینی ، f ، به جای ماتریس F استفاده می شود. برای محاسبه y ، تابع h به جای ماتریس H استفاده می شود.

اشکالات کمی برای EKF وجود دارد:

محاسبه ژاکوبی ها در صورت نیاز اگر ژاکوبیان به صورت عددی پیدا کنند هزینه محاسباتی بالایی وجود دارد. EKF فقط بر روی سیستم هایی کار می کند که دارای مدل متغیری هستند.

بازگشت به قسمت به روز رسانی اندازه گیری که قبلاً توضیح دادیم. از آنجا که اندازه گیری رادار غیر خطی است ، ما باید از EKF در چرخه Measurement Update استفاده کنیم ، اما می توانیم از همان فرمول در چرخه پیش بینی استفاده کنیم.

ماتریس H از اندازه گیری لیزر و معادلات h (x) از اندازه گیری رادار در واقع همان کار را انجام می دهد. هر دو مورد برای حل y = z − Hx ′ در مرحله به روز رسانی مورد نیاز است.

اما برای رادار ، هیچ ماتریسی H وجود ندارد که بردار حالت x را به مختصات قطبی ترسیم کند. در عوض ، برای تبدیل از مختصات دکارتی به مختصات قطبی ، باید نقشه برداری را به صورت دستی محاسبه کنید. نرخ.

بنابراین برای رادار y = z− Hx ′ y = z − h (x ′) می شود.

محدوده ، (ρ) ، فاصله تا عابر پیاده است. محدوده اساساً بردار موقعیت ρ است که می توان آن را ρ = sqrt (px2+py2) تعریف کرد. φ = آتان (py/px). توجه داشته باشید که φ از محور x خلاف جهت عقربه های ساعت اشاره دارد ، بنابراین φ از ویدیو کلیپ بالا در آن موقعیت در واقع منفی خواهد بود. ، v ، بر روی خط ، L.

و در اینجا معماری سطح بالای پروژه EKF نانو درجه Udacity's Self-driving Car.

معماری سطح بالا از سخنرانی Udacity

اگر می خواهید کد را در عمل ببینید ، از صفحه پروژه github من در زیر دیدن کنید. < /p> dkarunakaran/carnd-expand-kalman-filter-term2-p1 carnd-expand-kalman-filter-term2-p1-فیلترینگ کالمن ، که به عنوان برآورد درجه دوم خطی (LQE) نیز شناخته می شود ، یک… github.com است
کد خود را روی خودروی خودران خود اجرا کنید
[ بازدید : 26 ] [ امتیاز : 3 ] [ نظر شما :

]

کد خود را روی خودروی خودران خود اجرا کنید

از 13 سپتامبر تا 27 سپتامبر ، ما از شما دعوت می کنیم تا برای ثبت نام در برنامه نانو درجه اتومبیل خودران ، برنامه درسی جامع که توسط Google Self هدایت می شود ، ثبت نام کنید. بنیانگذار درایو اتومبیل (و Udacity) سباستین ترون. برای خواندن اطلاعات بیشتر و درخواست اقدام به اینجا بروید. سریع عمل کنید ، زیرا فقط تعداد محدودی مکان در دسترس است!

چرا فکر می کنم این بزرگترین راه اندازی Udacity تا کنون است؟

کد خود را بر روی یک اتومبیل خودران واقعی اجرا کنید

در این برنامه ، کد خود را بر روی یک اتومبیل خودران واقعی (لینکلن MKZ ما) اجرا می کنید و نحوه عملکرد آن (از طریق پخش زنده و داده) را در محیط مسیر تست مشاهده خواهید کرد. به این برنامه یک تجربه آموزشی تعاملی است که در هیچ کجای کره زمین نمی توانید پیدا کنید ، با قیمتی کمتر از یک ترم در بسیاری از کالج ها.

با بهترینها بیاموزید

شما مدرن ترین تکنیک ها را در خودمختاری ، با بهترین مطلق در صنعت یاد خواهید گرفت ، هنگامی که به موضوعاتی مانند: یادگیری عمیق ، بینایی کامپیوتر ، همجوشی سنسور ، کنترل کننده ها ، سینماتیک خودرو ، سخت افزار خودرو و موارد دیگر می پردازید. ما مهندسان خودروهای خودران در سطح جهانی از Udacity ، مرسدس بنز ، Otto ، Nvidia و سایر عوامل مشارکت کننده داریم.

مشارکت های شغلی

ما با رهبران صنعت از سراسر جهان همکاری می کنیم تا در این رشد دیوانه کننده شغلی برای دانشجویان ایجاد کنیم. (آیا می دانید 4 شرکت از 10 شرکت بزرگ جهان و همه تولیدکنندگان بزرگ خودرو ، خودروهای خودران ایجاد می کنند؟). چالش های فکری ، اخلاقی و محصولاتی که این صنعت با آن روبرو است در مراحل ابتدایی خود قرار دارد و به مهندسان کنجکاو و با استعدادی نیاز است تا در بازار انبوه خودمختاری ایجاد کنند. جزو اولین کسانی باشید که امروز آینده را شروع می کنید!

هنوز هیجان زده هستید؟

شما خواهید آموخت که چگونه یک ماشین واقعی خودران بسازید. من نمی توانم احساس هیبت و مسئولیت عظیمی را که هنگام کنترل یک وسیله نقلیه 2 تنی با تعدادی ماشین اوبونتو کنترل می کنید ، بیان کنم. چنین چیزی وجود ندارد ، و ما می خواهیم تک تک دانش آموزان ما این تجربه هیجان انگیز (و به طور بالقوه تعیین کننده شغل!) را تجربه کنند.

تأثیر در سراسر جهان

هدف ما این است که همه را با هم متحد کنیم در این انقلاب حمل و نقل ، خواه در اسپانیا ، مغولستان ، برزیل ، ایالات متحده یا هر کجا باشید. Udacity از یک دسترسی فوق العاده جهانی برخوردار است و ارتباط یادگیرندگان و مربیان کنجکاو و آگاه از سراسر جهان بهترین کاری است که ما انجام می دهیم. Udacity همیشه فقط چند دقیقه با هر نقطه از جهان فاصله دارد!

هیجان زده هستید؟ ما مطمئنا هستیم! همین امروز برای عضویت در اولین گروه از دانشجویان ثبت نام شده خود اقدام کنید و لطفاً نظر خود را در مورد این پست ، در مورد این برنامه و در مورد اتومبیل های خودران به من اطلاع دهید! من در oliver@udacity.com هستم. ممنون که خواندید!

آیا با خودروی خودران به رادیو گوش می دهید؟

خودمختاری ، تسلط صدساله صوت در خودروها را تهدید می کند