Les ingénieurs automobiles utilisent MATLAB® et Simulink® pour concevoir les fonctionnalités des systèmes de conduite autonome.

Accédez à ces vidéos, articles et autres ressources pour savoir comment MATLAB et Simulink peuvent vous aider à répondre aux questions suivantes :

  • Comment analyser et synthétiser des données ?
  • Comment concevoir et déployer les algorithmes ?
  • Comment intégrer et tester ces systèmes ?

Analyser et synthétiser des scenarios

Visualiser la couverture des capteurs, les détections et les trajectoires avec un tracé Bird’s Eye
Simuler un scénario de conduite cuboïde avec l'application Driving Scenario Designer (5:09)
Simulation 3D pour la conduite autonome avec Unreal Engine
Générer des scénarios à partir de données enregistrées sur les véhicules
Labelliser des images et des vidéos avec Ground Truth Labeler (6:04)

Perception

La perception avec la vision et le lidar
Simulation et traitement du signal radar pour la conduite autonome
Générer et déployer du code CUDA pour la détection d’objets sur NVIDIA Jetson (2:25)
Exemples pour la fusion de capteurs et le pistage
Comprendre la fusion de capteurs et le pistage, partie 1 : introduction à la fusion de capteurs (12:34)

Planification et contrôle

Concevoir, simuler et déployer des algorithmes de planification de trajectoire avec Navigation Toolbox (1:50)
Exemple de valet de parking autonome
Comprendre le contrôle prédictif, partie 1 : pourquoi utiliser le contrôle prédictif ? (4:50)
Régulation adaptative de la vitesse et fusion de capteurs avec le contrôle prédictif (6:00)

Intégration et tests

Intégration avec Robotics Operating System (ROS)
Simulation de la dynamique longitudinale et latérale des véhicules (9:13)
Automatiser les tests pour la détection des voies de circulation
Master Class : concevoir et tester des modules de prise de décision, de planification de trajectoires et de contrôle dans des scénarios de trafic (44:32)

Témoignages clients et exemples

Ricardo : simuler le confort des passagers et le mal des transports dans les véhicules autonomes (23:54)
Caterpillar : Big Data, analyse de données et infrastructure de Machine/Deep Learning (18:47)
Autoliv : annotation automatisée de nuage de points LiDAR pour la vérification de capteurs (14:05)
Centre technique européen de Tata Motors : accélérer le développement d’algorithmes de contrôle de véhicules autonomes avec le Model-Based Design
Voyage Auto : développer les contrôles longitudinaux pour les taxis autonomes
Hitachi : développer le contrôle prédictif pour la régulation adaptative de la vitesse
Université technique de Munich : un environnement de simulation temps réel pour les véhicules autonomes dans des scénarios de conduite dynamique (23:47)
Exemples : applications de conduite autonome qui utilisent le contrôle prédictif