参与蒋思源 刘晓坤

多伦多大学出品:Coursera宣布首个自动驾驶专项课程

由吴恩达和 Daphne Koller 创立的 Coursera 于今天宣布,他们和多伦多大学合作提供自动驾驶专项课程,并表示这是业内首个针对该领域的专项课程。该课程已于今天开放注册,可以免费试学 7 天,也可以免费旁听,只不过旁听并不能参加测试和写代码等重要环节。

课程注册页:https://www.coursera.org/specializations/self-driving-cars

关于此专项课程

随着市场研究员预测 2025 年自动驾驶领域将有 420 亿美元的市场以及超过 2000 万辆自动驾驶汽车上路,自动驾驶相关人才将会很大的需求。

据课程注册页介绍,在这一门专项课程中,我们可以全面了解自动驾驶汽车行业中最先进的工程实践,并通过开源模拟器 CARLA 与自动驾驶真实数据集完成实战项目。在整个课程中,我们可以接触 Oxbotica 和 Zoox 等公司的行业专家,他们会分享自动驾驶技术的见解以及如何促进该领域的就业增长。

我们可以从高度逼真的驾驶环境中学到构建模型,这种自动驾驶环境包含 3D 行人建模和环境控制等。成功完成所有课程、课堂作业和编程作业后,我们至少可以构建自己的自动驾驶软件堆栈,并申请自动驾驶相关的工作了。

这一系列课程面向具有机械工程、计算机和电气工程或机器人技术背景的学习者。在学习这门课程之前,学生应该具备以下条件:拥有 Python 3.0 的编程经验,熟悉线性代数(矩阵、向量、矩阵乘法、秩、特征值、特征向量和矩阵的逆),统计学(高斯概率分布),微积分和物理(力、力矩、惯性,牛顿定律)。此外还需要某些硬件和软件配置才能有效运行 CARLA 模拟器:Windows 7 64 位(或更高版本)或 Ubuntu 16.04(或更高版本),四核 Intel 或 AMD 处理器(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(适用于 Linux 计算机)。这些都只需要最基础的概念与基础,读者可以先上课,实在遇到不懂的在查阅具体的知识点。

专项课程包含 4 门课程,以下将介绍每门课程的学习目标、最终项目设置以及预备条件。Coursera 专项课程是针对技能学习的课程。可以直接注册整个专项课程,或选择部分想学习的课程。当订阅专项课程的部分课程时,将自动订阅整个专项课程。可以只完成一门课程,还可以随时暂停学习或结束订阅。

第一课:自动驾驶汽车简介

本课程将介绍自动驾驶汽车的相关术语、设计考虑因素和安全评估方法。这门课的目标是:

  • 了解用于自动驾驶汽车的常用硬件;

  • 确定自动驾驶软件堆栈的主要组件;

  • 程序车辆建模和控制;

最终项目将分析安全框架和当前汽车行业的开发实践,学生将学习开发控制代码,在 CARLA 仿真环境上完成自动驾驶汽车的导航。学生将为车辆构建纵向和横向动力学模型,并使用 Python 创建调节速度和路径,以及跟踪性能的控制器;学生将测试控制的极限,并了解在车辆性能极限情况下进行驾驶所面临的挑战。

第二课:自动驾驶汽车的状态估计与定位

本课程将介绍不同的传感器以及如何将它们用于自动驾驶汽车的状态估计和定位。这门课的目标是:

  • 了解用于自动驾驶参数和状态估计的关键方法,例如最小二乘法

  • 为典型的车辆定位传感器开发模型,包括 GPS 和 IMU;

  • 将扩展的和 unscented 卡尔曼滤波器应用于车辆状态估计问题;

  • 了解激光雷达扫描匹配和迭代最近点算法(Iterative Closest Point);

最终项目将应用这些工具将多个传感器流融合到自动驾驶汽车的单个状态估计中。学生将使用来自 CARLA 模拟器的数据实现错误状态扩展卡尔曼滤波器(Error-State Extended Kalman Filter,ES-EKF)来定位车辆。

第三课:自动驾驶汽车的视觉感知

本课程将介绍自动驾驶中的主要感知任务,即静态和动态物体检测,并将回顾机器人感知的常见计算机视觉方法。这门课的目标是:

  • 使用针孔相机模型,执行内部和外部相机校准,检测、描述和匹配图像特征,并设计自己的卷积神经网络

  • 将上述方法应用于可驾驶表面估计的视觉测距(visual odometry)、物体检测、跟踪以及语义分割;这些技术代表了自动驾驶汽车感知系统的主要构建模块。

  • 最终项目将开发算法来识别场景中目标的边界框,并定义可驾驶路面的边界。学生将使用合成和真实图像数据,并在真实数据集上评估算法的表现。

第四课:自动驾驶汽车的运动规划

本课程将介绍自动驾驶的主要规划任务,包括任务规划、行为规划和本地规划。这门课的目标是:

  • 学习使用 Dijkstra 和 A 算法找到图形或道路网络上的最短路径,使用有限状态机选择要执行的安全行为,并设计最佳、平滑的路径和速度曲线,在遵守交通法规的同时,安全地绕过障碍物。

  • 构建环境中静态元素的占位网格图,并学习如何使用它们进行有效的碰撞检查。

  • 本课程将让学生能够构建完整的自动驾驶规划解决方案,让汽车表现出典型的驾驶行为,并始终保持安全。

最终项目将实现一个分层运动规划器,以便在 CARLA 模拟器中导航一系列场景,包括避开停在车道上的车辆,跟随领先车辆并安全地通过交叉路口。学生将面临现实世界的随机性挑战,需要努力确保解决方案能够适应环境变化。

讲师

多伦多大学航空航天研究所(UTIAS)助理教授 Steven Waslander 教授是自主航空和地面车辆的权威,包括多旋翼无人机自动驾驶即时定位与地图构建(SLAM)以及多车辆系统。

Waslander 教授在无人机研究方面的创新赢得了 Ontario Centres of Excellence Mind to Market 奖(2012 年,与 Aeryon 实验室合作)、计算机和机器人视觉会议(2018 年)最佳论文奖和最佳海报奖。他在自动驾驶汽车方面的工作中研发了 Autonomoose,这是加拿大高校第一辆在公路上行驶 100 多公里的自动驾驶汽车。

Jonathan Kell 是多伦多大学航空航天研究所的助理教授,也是空间与地面自主机器人系统(STARS)实验室主任。

他曾开发出飞行、驾驶、游泳和抓握的机器人。他的研究主要集中在开发稳健的、多传感器融合的方法,并使机器人能长时间安全地在充满挑战的环境中运行。在进入研究生院之前,他在位于加拿大蒙特利尔的加拿大航天局担任软件工程师。

产业吴恩达自动驾驶多伦多大学
1
相关数据
即时定位与地图构建技术

在机器人映射和导航中,同时定位和映射 是构建或更新未知环境地图,同时地图中跟踪机器人在其内的位置。SLAM算法是针对有限可用资源量身定做的,因此不是最优解,而是在于操作合规性。 自行驾驶汽车,无人机,自主水下机器人,行星探测器,新兴家用机器人乃至人体内都采用了SLAM的方法。

自动驾驶技术技术

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

激光雷达技术

自动驾驶车辆传感器的一种,采用激光扫描和测距来建立车辆周围环境的详细三维模型。Lidar 图像具有高度准确性,这使得它可以与摄像头、超声波探测器和雷达等常规传感器相提并论。然而激光传感器面临体积过大的问题,同时,它的机械结构非常复杂。

最小二乘法技术

最小二乘法(又称最小平方法)是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。 利用最小二乘法可以简便地求得未知的数据,并使得这些求得的数据与实际数据之间误差的平方和为最小。 “最小二乘法”是对过度确定系统,即其中存在比未知数更多的方程组,以回归分析求得近似解的标准方法。在这整个解决方案中,最小二乘法演算为每一方程式的结果中,将残差平方和的总和最小化。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

运动规划技术

运动规划(也被称为导航问题或钢琴搬运工的问题)是机器人的一个术语,用于将期望的运动任务分解成离散的运动,以满足运动的限制,并可能优化运动的某些方面。

参数技术

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

概率分布技术

概率分布(probability distribution)或简称分布,是概率论的一个概念。广义地,它指称随机变量的概率性质--当我们说概率空间中的两个随机变量具有同样的分布(或同分布)时,我们是无法用概率来区别它们的。

有限状态机技术

有限状态机(英语:finite-state machine,缩写:FSM)又称有限状态自动机,简称状态机,是表示有限个状态以及在这些状态之间的转移和动作等行为的数学模型。

自动驾驶汽车技术

自动驾驶汽车,又称为无人驾驶汽车、电脑驾驶汽车或轮式移动机器人,是自动化载具的一种,具有传统汽车的运输能力。作为自动化载具,自动驾驶汽车不需要人为操作即能感测其环境及导航。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

卷积神经网络技术

卷积神经网路(Convolutional Neural Network, CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。卷积神经网路由一个或多个卷积层和顶端的全连通层(对应经典的神经网路)组成,同时也包括关联权重和池化层(pooling layer)。这一结构使得卷积神经网路能够利用输入数据的二维结构。与其他深度学习结构相比,卷积神经网路在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网路,卷积神经网路需要考量的参数更少,使之成为一种颇具吸引力的深度学习结构。 卷积网络是一种专门用于处理具有已知的、网格状拓扑的数据的神经网络。例如时间序列数据,它可以被认为是以一定时间间隔采样的一维网格,又如图像数据,其可以被认为是二维像素网格。

卡尔曼滤波技术

卡尔曼滤波,也称为线性二次估计(LQE).它使用时域上一系列包含统计噪声和其他误差的观测量,对未知变量进行估计。这种方法因为对每个时间段上未知变量的联合概率分布做了估计,因此比基于单一观测值预测更加精确。

无人机技术

无人机(Uncrewed vehicle、Unmanned vehicle、Drone)或称无人载具是一种无搭载人员的载具。通常使用遥控、导引或自动驾驶来控制。可在科学研究、军事、休闲娱乐用途上使用。

微积分技术

微积分(Calculus)是高等数学中研究函数的微分(Differentiation)、积分(Integration)以及有关概念和应用的数学分支。它是数学的一个基础学科。内容主要包括极限、微分学、积分学及其应用。微分学包括求导数的运算,是一套关于变化率的理论。它使得函数、速度、加速度和曲线的斜率等均可用一套通用的符号进行讨论。积分学,包括求积分的运算,为定义和计算面积、体积等提供一套通用的方法 。

线性代数技术

线性代数是数学的一个分支,它的研究对象是向量,向量空间(或称线性空间),线性变换和有限维的线性方程组。向量空间是现代数学的一个重要课题;因而,线性代数被广泛地应用于抽象代数和泛函分析中;通过解析几何,线性代数得以被具体表示。线性代数的理论已被泛化为算子理论。由于科学研究中的非线性模型通常可以被近似为线性模型,使得线性代数被广泛地应用于自然科学和社会科学中。

语义分割技术

语义分割,简单来说就是给定一张图片,对图片中的每一个像素点进行分类。图像语义分割是AI领域中一个重要的分支,是机器视觉技术中关于图像理解的重要一环。

Zoox机构

Zoox对外一直保持低调,其曾经展示过一款运动型概念车,这款车没有挡风玻璃,可以朝两头行驶,乘客在车内像在火车上一样相对而坐。Zoox 此前还曾表示,准备用无人驾驶汽车来提供类似于Uber的打车服务。 Zoox于2018年7月完成5亿美元,投后估值32亿美元。领投方是办公协作公司Atlassian的联合创始人Michael Cannon-Brookes,以及中国VC春华资本。Zoox已是一家500人规模的公司,并且计划在2020年推出商用无人车。 具体技术实现方案上,Zoox要走一条依靠激光雷达实现L4等级完全无人驾驶的道路,并且重新设计车本身,从之前曝光的车体图片来看,Zoox的无人车被设计成了4座,没有方向盘、油门和刹车,似乎也不分车头车尾——没有调头转向的顾虑。 最为突出传感器的是安装在前后左右四角上的Velody激光雷达,车顶还有一根GPS天线。还有不少雷达被设置在车轮位置,还有声纳传感器。

https://zoox.com/
推荐文章
暂无评论
暂无评论~