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：
了解用于自动驾驶的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。
