多倫多大學出品:Coursera宣佈首個自動駕駛專項課程

2019 3 15 · 2383 words · 5 minute read

摘要:

課程註冊頁:https://www.coursera.org/specializations/self-driving-cars
關於此專項課程
隨著市場研究員預測 2025 年自動駕駛領域將有 420 億美元的市場以及超過 2000 萬輛自動駕駛汽車上路,自動駕駛相關人才…

課程註冊頁:https://www.coursera.org/specializations/self-driving-cars

關於此專項課程

隨著市場研究員預測 2025 年自動駕駛領域將有 420 億美元的市場以及超過 2000 萬輛自動駕駛汽車上路,自動駕駛相關人才將會很大的需求。

據課程註冊頁介紹,在這一門專項課程中,我們可以全面瞭解自動駕駛汽車行業中最先進的工程實踐,並通過開源模擬器 CARLA 與自動駕駛真實資料集完成實戰專案。在整個課程中,我們可以接觸 Oxbotica 和Zoox等公司的行業專家,他們會分享自動駕駛技術的見解以及如何促進該領域的就業增長。

我們可以從高度逼真的駕駛環境中學到構建模型,這種自動駕駛環境包含 3D 行人建模和環境控制等。成功完成所有課程、課堂作業和程式設計作業後,我們至少可以構建自己的自動駕駛軟體堆疊,並申請自動駕駛相關的工作了。

這一系列課程面向具有機械工程、計算機和電氣工程或機器人技術背景的學習者。在學習這門課程之前,學生應該具備以下條件:擁有 Python 3.0 的程式設計經驗,熟悉線性代數(矩陣、向量、矩陣乘法、秩、特徵值、特徵向量和矩陣的逆),統計學(高斯概率分佈),微積分和物理(力、力矩、慣性,牛頓定律)。此外還需要某些硬體和軟體配置才能有效執行 CARLA 模擬器:Windows 7 64 位(或更高版本)或 Ubuntu 16.04(或更高版本),四核 Intel 或 AMD 處理器(2.5 GHz 或更快),NVIDIA GeForce 470 GTX 或 AMD Radeon 6870 HD 系列卡或更高版本,8 GB RAM 和 OpenGL 3 或更高版本(適用於 Linux 計算機)。這些都只需要最基礎的概念與基礎,讀者可以先上課,實在遇到不懂的在查閱具體的知識點。

專項課程包含 4 門課程,以下將介紹每門課程的學習目標、最終專案設定以及預備條件。Coursera 專項課程是針對技能學習的課程。可以直接註冊整個專項課程,或選擇部分想學習的課程。當訂閱專項課程的部分課程時,將自動訂閱整個專項課程。可以只完成一門課程,還可以隨時暫停學習或結束訂閱。

第一課:自動駕駛汽車簡介

本課程將介紹自動駕駛汽車的相關術語、設計考慮因素和安全評估方法。這門課的目標是:

瞭解用於自動駕駛汽車的常用硬體;

確定自動駕駛軟體堆疊的主要元件;

程式車輛建模和控制;

最終專案將分析安全框架和當前汽車行業的開發實踐,學生將學習開發控制程式碼,在 CARLA 模擬環境上完成自動駕駛汽車的導航。學生將為車輛構建縱向和橫向動力學模型,並使用 Python 建立調節速度和路徑,以及跟蹤效能的控制器;學生將測試控制的極限,並瞭解在車輛效能極限情況下進行駕駛所面臨的挑戰。

第二課:自動駕駛汽車的狀態估計與定位

本課程將介紹不同的感測器以及如何將它們用於自動駕駛汽車的狀態估計和定位。這門課的目標是:

瞭解用於自動駕駛的引數和狀態估計的關鍵方法,例如最小二乘法;

為典型的車輛定位感測器開發模型,包括 GPS 和 IMU;

將擴充套件的和 unscented卡爾曼濾波器應用於車輛狀態估計問題;

瞭解鐳射雷達掃描匹配和迭代最近點演算法(Iterative Closest Point);

最終專案將應用這些工具將多個感測器流融合到自動駕駛汽車的單個狀態估計中。學生將使用來自 CARLA 模擬器的資料實現錯誤狀態擴充套件卡爾曼濾波器(Error-State Extended Kalman Filter,ES-EKF)來定位車輛。

第三課:自動駕駛汽車的視覺感知

本課程將介紹自動駕駛中的主要感知任務,即靜態和動態物體檢測,並將回顧機器人感知的常見計算機視覺方法。這門課的目標是:

使用針孔相機模型,執行內部和外部相機校準,檢測、描述和匹配影象特徵,並設計自己的卷積神經網路。

將上述方法應用於可駕駛表面估計的視覺測距(visual odometry)、物體檢測、跟蹤以及 語義分割 ;這些技術代表了自動駕駛汽車感知系統的主要構建模組。

最終專案將開發演算法來識別場景中目標的邊界框,並定義可駕駛路面的邊界。學生將使用合成和真實影象資料,並在真實資料集上評估演算法的表現。

第四課:自動駕駛汽車的 運動規劃

本課程將介紹自動駕駛的主要規劃任務,包括任務規劃、行為規劃和本地規劃。這門課的目標是:

學習使用 Dijkstra 和 A 演算法找到圖形或道路網路上的最短路徑,使用有限狀態機選擇要執行的安全行為,並設計最佳、平滑的路徑和速度曲線,在遵守交通法規的同時,安全地繞過障礙物。

構建環境中靜態元素的佔位網格圖,並學習如何使用它們進行有效的碰撞檢查。

本課程將讓學生能夠構建完整的自動駕駛規劃解決方案,讓汽車表現出典型的駕駛行為,並始終保持安全。

最終專案將實現一個分層 運動規劃
器,以便在 CARLA 模擬器中導航一系列場景,包括避開停在車道上的車輛,跟隨領先車輛並安全地通過交叉路口。學生將面臨現實世界的隨機性挑戰,需要努力確保解決方案能夠適應環境變化。

講師

多倫多大學航空航天研究所(UTIAS)助理教授 Steven Waslander 教授是自主航空和地面車輛的權威,包括多旋翼無人機、自動駕駛、即時定位與地圖構建(SLAM)以及多車輛系統。

Waslander 教授在無人機研究方面的創新贏得了 Ontario Centres of Excellence Mind to Market 獎(2012 年,與 Aeryon 實驗室合作)、計算機和機器人視覺會議(2018 年)最佳論文獎和最佳海報獎。他在自動駕駛汽車方面的工作中研發了 Autonomoose,這是加拿大高校第一輛在公路上行駛 100 多公里的自動駕駛汽車。

Jonathan Kell 是多倫多大學航空航天研究所的助理教授,也是空間與地面自主機器人系統(STARS)實驗室主任。

他曾開發出飛行、駕駛、游泳和抓握的機器人。他的研究主要集中在開發穩健的、多感測器融合的方法,並使機器人能長時間安全地在充滿挑戰的環境中執行。在進入研究生院之前,他在位於加拿大蒙特利爾的加拿大航天局擔任軟體工程師。