Õppeaine eesmärk on:
- arendada Pythoni programmeerimise põhioskusi manussüsteemide ja robootika rakenduste jaoks;
- anda teadmised autonoomsete sõidukite tarkvaraarhitektuurist, sealhulgas tajusüsteemidest, otsustusloogikast ja juhtimisest;
- arendada praktilisi oskusi kaamerapildi ja anduriandmete töötlemiseks monoplaatarvutil;
- kujundada arusaam juhtimisalgoritmidest (PID) mobiilse platvormi reaalaja mootorijuhtimiseks;
- tutvustada närvivõrkude õpetamise aluseid liiklusmärkide tuvastamiseks.

The aim of this course is to:
- develop foundational programming skills in Python for embedded and robotics applications;
- provide knowledge of autonomous vehicle software architecture, including perception, decision-making, and actuation;
- develop practical skills for processing camera input and sensor data on a single-board computer;
- build understanding of control algorithms (PID) for real-time motor control in a mobile platform;
- introduce the fundamentals of neural network training for traffic sign detection.

Õppeaine läbinud üliõpilane:
- kirjutab töötavaid Pythoni programme mobiilse platvormi sardsüsteemile reaalajaliseks juhtimiseks;
- rakendab pilditöötluse lahendusi sõidurajamärgistuse tuvastamiseks ja roolimiskäskude genereerimiseks;
- kasutab PID-juhtimisloogikat mootori väljundi reguleerimiseks andurite tagasiside põhjal;
- treenib ja hindab lihtsat närvivõrgu mudelit liiklusmärkide tuvastamiseks kaamerapildi põhjal;
- esitleb ja kaitseb oma lahendust sõiduki reaalajas demonstratsiooni ning kirjaliku tehnilise aruande kaudu.

After completing this course the student:
- writes functional Python programs for a mobile platform's embedded system for real-time control;
- implements image processing pipelines to detect lane markings and derive steering decisions;
- applies PID control logic to regulate motor output based on sensor feedback;
- trains and evaluates a basic neural network model for road sign detection using a camera images;
- presents and defends their solution through a live vehicle demonstration and a written technical report.

Sissejuhatus Pythoni programmeerimisse manussüsteemide jaoks; koodi käivitamine Raspberry Pi-l.
Mobiilse platvormi arhitektuur: eelnevalt koostatud riistvara ülevaade, komponentide rollid ja sideühendused.
Kaamerapõhine tajumine: pildi hõivamine, sõidurajamärgistuse tuvastamine ja arvutinägemise alused OpenCV abil.
Mootorijuhtimise alused: PWM-signaalid, alalisvoolumootorite juhtimine ja PID-regulaatori rakendamine.
Täiendavad andurid: kiiruse hindamine enkoodri andmete põhjal.
Närvivõrkude alused: andmestiku ettevalmistamine, mudeli õpetamine ja liiklusmärkide tuvastamise mudeli rakendamine Raspberry Pi-l.
Süsteemi integreerimine: taju- ja juhtimissüsteemide ühendamine sõidurajal püsimist võimaldavaks autonoomseks sõiduks.
Testimine, häälestamine ja vigade kõrvaldamine füüsilisel testirajal.
Lõppdemonstratsiooni ja tehnilise aruande ettevalmistamine.

Introduction to Python for embedded systems; running code on Raspberry Pi.
Mobile platform architecture: pre-built hardware overview, component roles, and communication interfaces.
Camera-based perception: image capture, lane marking detection, and basic computer vision using OpenCV.
Motor control fundamentals: PWM signals, DC motor control, and PID controller implementation.
Supplementary sensing: encoder-based speed estimation.
Neural network basics: dataset preparation, model training, and deploying a sign detection model on Raspberry Pi.
System integration: combining perception and control into a lane-keeping autonomous driving.
Testing, tuning, and debugging on a physical track .
Final demonstration and technical report preparation.

-

-

-

-

The Mechatronics Handbook, Second Ed.: mechatronic systems, sensors, and actuators, R.H.Bishop (Ed.), CRC Press, 2008.
Handbook of Robotics, Ed. B.Siciliano, O.Khatib, Springer, 2008.
Applied Deep Learning and Computer Vision for Self-Driving Cars: Build autonomous vehicles using deep neural networks and behavior-cloning techniques, S. Ranjan , Dr.
S. Senthamilarasu, Packt Publishing, 2020.

Daniil Valme, doktorant-nooremteadur (EE - elektroenergeetika ja mehhatroonika instituut)

not specified