《自动驾驶感知算法实战专栏(源代码)》专栏概述

Posted Charmve

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了《自动驾驶感知算法实战专栏(源代码)》专栏概述相关的知识,希望对你有一定的参考价值。

导言

自动驾驶太火?高薪?跃跃欲试,又仅存于想的阶段。动起来,只是看理论,却总也学不会?看不懂,又总没有进度?如果你也有这类问题,那你来看看这个专栏。以实际项目为导向,亲自动手实践,从简单的图像分类、目标检测开始,逐渐学习掌握实例分割、目标检测、车道线检测等进阶技能。学习有回馈、有成就感,你才能继续下去。转行?你就得看看这个。

基本思路:自动驾驶感知模块的生产流水线,输入+输出


专栏大纲

零、感知系统整体概述 (5%)

(框图)

  1. 在自动驾驶系统中的位置,上下游
  2. 解决什么问题
  3. 实现方案

自动驾驶感知算法实战——感知系统整体概述

一、输入:相机+雷达 (10%)

  1. 相机
    1.1 相机的成像原理
    1.2 数字图像处理:去畸变、resize、颜色变换、转柱面、透视变换等(原理及源代码实现)
    1.3 实现方案及性能分析:opencv、nvmedia

自动驾驶感知算法实战1——车载相机及图像处理

  1. 激光雷达
    2.1 雷达模块概述
    2.2 雷达感知原理
    2.3 雷达感知算法概述

自动驾驶感知算法实战2——激光雷达原理介绍

二、感知系统任务/目标 (20%)

自动驾驶感知算法实战3——自动驾驶2D和3D视觉感知算法概述

  1. 语义分割:可通行区域检测、障碍物检测、异形物检测

主要模型介绍分析:UNet、SegNet(原理及源代码实现)

自动驾驶感知算法实战4——语义分割网络详解(DeepLabV3、FCN、UNet等)

  1. 目标检测:行人检测、车辆检测、车道线检测、可通行区域检测、多目标跟踪

主要模型介绍分析:Mask R-CNN、Inception v2(原理及源代码实现)

自动驾驶感知算法实战4——目标检测网络详解(R-CNN、FastR-CNN、YOLO、SSD等)

  1. 目标分类:红绿灯识别、障碍物检测

主要模型介绍分析:AlexNet、VGG、FCN(原理及源代码实现)

自动驾驶感知算法实战6——目标分类详解(ResNet、VGG、GoogLeNet等))

三、图像分类(机器学习方法) (15%)(原理及源代码实现)

3.1 数据驱动方法

  • 3.1.1 语义上的差别
  • 3.1.2 图像分类任务面临着许多挑战
  • 3.1.3 数据驱动的方法

自动驾驶感知算法实战7——数据驱动方法

3.2 k 最近邻算法

  • 3.2.1 k 近邻模型
  • 3.2.2 k 近邻模型三个基本要素
  • 3.2.3 KNN算法的决策过程
  • 3.2.4 k 近邻算法Python实现

自动驾驶感知算法实战8——k 最近邻算法

3.3 支持向量机

  • 3.3.1 概述
  • 3.3.2 线性支持向量机
  • 3.3.3 从零开始实现支持向量机
  • 3.3.4 支持向量机的简洁实现

自动驾驶感知算法实战9——支持向量机

3.4 逻辑回归 LR

  • 3.4.1 逻辑回归模型
  • 3.4.2 从零开始实现逻辑回归
  • 3.4.3 逻辑回归的简洁实现

自动驾驶感知算法实战10——逻辑回归 LR

四、多传感器融合感知方案详解 (20%)

  1. 感知方案:前融合、后融合、中融合
  • 1.1 lidar-基于激光雷达进行障碍物检测、分割、分类
  • 1.2 相机-红绿灯检测、障碍物检测和分类
  • 1.3 radar-基于毫米波传感器进行速度、姿态估计
  • 1.4 融合Fusion-前融合、后融合、中融合中两种及以上

自动驾驶感知算法实战11——多传感器融合感知方案详解

  1. BEV模型

BEV 基于图像/Lidar/多模态数据的3D检测与分割任务

  • 2.1 坐标变换
  • 2.3 时间同步、时序任务
  • 2.4 精度选择
  • 2.5 性能分析

自动驾驶感知算法实战12——BEV 基于图像/Lidar/多模态数据的3D检测与分割任务

  1. 发展方向:多模态感知、多任务处理、大模型

自动驾驶感知算法实战13——自动驾驶感知未来发展方向分享

五、感知算法模型生产线 (20%)

(闭环框图)

  1. 数据选择(数据采集、数据增强)
  2. 数据标注
  3. 模型训练
  4. 模型量化
  5. 模型部署
  6. 测试与验证

自动驾驶感知算法实战14——感知算法模型生产线

六、纯视觉感知和雷达方案对比(5%)

成本和效果两个角度,第一性原理

  1. 特斯拉方案
  2. 非特斯拉方案

自动驾驶感知算法实战15——纯视觉感知和多传感器融合方案对比

七、总结:如何打造“高可靠、多冗余、可量化、数据驱动的感知系统”(5%)

  1. 高可靠:对障碍物、红绿灯的识别精度有保证
  2. 多冗余:各个模块相互支撑、非串行
  3. 可量化:PRT、仿真场景测试、Profiling
  4. 数据驱动(全流程闭环)

自动驾驶感知算法实战专栏总结:如何打造“高可靠、多冗余、可量化、数据驱动的感知系统”


面向人群

  1. 自动驾驶行业研发相关从业人员;转行?你就得看看这个。
  2. 对自动驾驶系统感兴趣,尤其是感知模块,对自动驾驶有相关了解,有数理基础;
  3. 对机器人系统有相关实践经验,对感知算法有基本了解;
  4. 其他算法从业者,有数理基础;

课后收益

  1. 对自动驾驶有更深的理解,尤其是视觉和雷达感知系统;
  2. 有较为全面的认识,对感知系统全算法链路有一定了解,能够自己动手开始一些感知系统中的子任务;
  3. 动手实现车道线检测、目标识别、可通行区域检测等算法,源代码实现;
  4. 对当前自动驾驶行业有更深的了解,抛砖引玉开展相关工作;
  5. 了解几种经典的感知算法模型,从实现原理到模型产出;

以上是关于《自动驾驶感知算法实战专栏(源代码)》专栏概述的主要内容,如果未能解决你的问题,请参考以下文章

自动驾驶感知算法实战专栏总结:如何打造“高可靠多冗余可量化数据驱动的感知系统”

自动驾驶感知算法实战专栏总结:如何打造“高可靠多冗余可量化数据驱动的感知系统”

自动驾驶感知算法实战专栏总结:如何打造“高可靠多冗余可量化数据驱动的感知系统”

自动驾驶感知算法实战——感知系统整体概述

自动驾驶感知算法实战——感知系统整体概述

自动驾驶感知算法实战3——自动驾驶2D和3D视觉感知算法概述