移动机器人感知与定位技术

课程概述

本课程从无人系统中的感知任务出发，着重介绍视觉以及激光SLAM的基本原理、框架和主流算法，并比较了二者在理论及实际任务中的异同。

近年来，研究者致力开发基于深度学习的感知算法，并尝试将其运用到感知与定位任务中，促进两者相互的性能提升。本课程也将介绍其中的前沿思路，帮助大家更好地理解和掌握无人系统中导航与定位的技巧。

课程着眼于实践，重点侧重于将理论知识用于开发实战，对一线开发人员和相关技术领域研究人员有着非常重要的参考价值。

为什么要开这门课程？

机器人技术是感知、决策以及执行的闭环系统技术。机器人技术与通用自动化技术最大的不同在于其强调“自主决策”，决策是算法的集合，我们耳熟能详的“深度学习”算法，只是众多决策算法之一。决策是以感知为前提的，没有感知也就没有决策，所以在研究人工智能的过程中，必须首先研究感知、研究大数据的抽象与提取，然后是决策算法。

感知系统也是移动机器人中的重中之重，无论是传统的机器人公司还是新兴的AI独角兽对感知方向的人才缺口巨大。近年来深度学习大热，在其提升分类算法性能的同时，我们希望看到其在机器人模块中的落地实用性。本课程将从实际出发，详述SLAM技术在定位感知中的作用，为移动机器人添上眼睛。

适合人群

1. 从事机器人感知相关的研究或工作的技术人员

2. 希望从事移动机器人/无人驾驶方向的同学

3. 了解SLAM技术前沿发展

知识储备

1. 有几何代数基础

2. 了解无人系统建图与定位的概念

3. 具备编程基础Python/Pytorch

课程大纲

基础知识 (2h)

1. 多视图几何代数

2. 单视图几何代数

3. 摄像机模型

4. 激光传感器

5. 其他辅助设备
1
里程计算法 (1.5h)

1. 特征点法

2. 对极几何

3. 视觉里程计、激光里程计的应用分析
2
SLAM (3h)

1. SLAM算法发展历程

2. SLAM框架梳理

3. SLAM前端框架（特征提取和匹配、局部地图）

4. SLAM后端框架（BA与图优化、位姿图及优化）

5. 闭环检测

6. 视觉SLAM、激光SLAM异同分析
3
深度学习和基于深度学习的闭环检测 (2.5h)

1. 深度学习的简单介绍

2. 回路检测的特殊性和主要难点

3. 几种回路检测方法的介绍
4
SLAM中的地图系统 (1h)

1. SLAM中常见地图系统介绍

2. 2D栅格地图/2.5D高程地图/3D体素地图

3. 语义地图与深度学习的结合应用
5
深度学习和SLAM (2.5h)

1. 基于深度学习的SLAM发展现状

2. 基于深度学习的里程计

3. 基于深度学习的姿态估计
6
深度学习在无人感知系统中的应用 (1.5h)

1. 目标检测与跟踪的基本原理

2. 检测与跟踪发展历程与state-of-art主流框架介绍

3. 场景分割及其应用
7
实战环节

实战1： faster-rcnn手写网络结构

实战2： SLAM位姿图优化

实战3：语义SLAM在无人驾驶中的应用分析
8

课程答疑

请问一下，导师可以进行定期答疑吗？

所有报名此课程的人，助教会把大家拉到讲师的微信群中。每个月固定一个时间，讲师会进行集中答疑，大家可以在群里进一步沟通探讨。

缴纳费用后可以退款吗？

由于我们是小班授课，每期课程人数有限制并且都是提前报名付费，缴费之后就意味着课程名额已被占据不能再安排其他同学来学习了，所以请在大家在报名付费的时候合理安排好时间，一旦缴费，课程费用概不退回。

缴费可以开发票吗？

可以开增值税普通发票。