Udacity自动驾驶课程笔记（一）

前言

最近在Udacity 上报名参加了自动驾驶工程师的课程，抱着对无人驾驶的喜爱，我满怀热情的参加了此次课程，希望在本次课程之后，能够对无人驾驶技术能够有一个基本的了解。
Udacity 的无人驾驶课程应该是Udacity最有权威的课程了吧，因为Udacity的共同创始人兼CEO–Sebastian Thrun是谷歌X实验室创立者，自动驾驶汽车和谷歌眼镜的研发负责人，当年在斯坦福做教授的时候获得过DAPAR无人车挑战赛的第一。个人非常推崇。

课程的组成

Udacity的无人驾驶课程是由三个部分组成，这个三个部分分属三个学期。

• 学期1：以计算机视觉和深度学习为主要内容。
• 学期2：以传感器融合，定位和车辆控制为主要内容。
• 学期3：以路径规划，系统集成为主。

目前我处在学期1，等级还是小白，但是平时对无人驾驶技术还是留意比较多，暑期实习在泛亚电子部实习了一段时间，在那段时间主要接触了车辆的ADAS的一些功能的实现，主要还是在主动安全的层面，按照分级还是处于2级水平。

自动驾驶分级，参考这篇文章：https://zhuanlan.zhihu.com/p/20292251

本课程的目标在于高等级的自动驾驶，这是很多人的梦想。

下面就各个学期的内容详细的说明一下。

计算机视觉和深度学习

学期1的内容主要是计算机视觉和深度学习。传感器是无人驾驶技术的基础，其中摄像头是最重要的传感器之一。无论是只用摄像头识别前方环境的低成本无人驾驶技术路线还是利用昂贵的激光雷达的高成本技术路线，计算机视觉始终是一个绕不开的话题。

无人驾驶中涉及的计算机视觉技术主要包括目标识别和检测、目标追踪和分割技术。在处理这些问题时，需要大量的图像数据通过深度学习技术进行训练，教会计算机如何正确识别出图像中的行人、车辆和道路，为计算机进行控制和决策提供参考。
所以说学期1主要介绍无人驾驶中涉及的感知层面的问题。

传感器融合技术、移动机器人定位和控制

学期2主要介绍了传感器的融合技术，定位和控制问题。
为了确保安全，无人驾驶汽车的传感器是冗余的，为了充分利用传感器的数据，需要对传感器数据进行融合，提高传感器观测数据的准确性。
一般来说，无人驾驶汽车中用的传感器包括GPS，IMU惯性传感器，毫米波雷达，或者16线或者32线的激光雷达。控制器方面，当然ECU是必不可少的，英伟达的车载控制器Drive PX2估计也不错，并行编程，处理深度学习问题应该很强大哈。

常用的传感器：

• GPS/DGPS
• 毫米波雷达
• IMU
• 激光雷达
• 双目摄像头

有了这些传感器数据，车辆本身就可以对自身的位置进行确定，机器人定位问题应该也是本次课程讨论的重点。

路径规划

学期3的主要内容是路径规划和最终的系统集成。
路径规划是无人驾驶决策层的技术，涉及到博弈、优化等问题。路径规划包括全局路径规划和局部路径规划。全局路径规划涉及到路网路线的选择，其实这部分内容应该不在无人驾驶技术重点。
局部路径规划应该是无人驾驶的重点内容，此前写过一个路径规划的论文总结路径规划总结

好了，上课之前闲扯几句，下面我就开始学习第一课了。