课程笔记
文章平均质量分 90
我还听说过石壁岭的小河湾
这个作者很懒,什么都没留下…
展开
-
课程1 Localization Overview
1. Introduction课程老师Sebastian于2004年 DARPA Ground Challenge 比赛开始对无人驾驶汽车感兴趣。他在斯坦福的团队开发了Stanley机器人(无人车),拿了第一名,车子的测距传感器包括测前方距离的一个车载雷达,还有激光传感器。在沙漠中行驶了131英里,获得了第一名,为斯坦福赢得了200万美元。后来 UrbanChanllenge中,这个团队制作了...原创 2018-06-03 21:19:11 · 330 阅读 · 0 评论 -
课程 23:Project – RunawayRobot
课程 23:Project – RunawayRobot1. Welcome to Runaway Robot!这节课进入项目阶段,这个项目被称为 Runaway Robot(失控机器人),范围是追逐一个试图逃走的机器人。第一个版本具有完全的可观测性。你的任务是预测失控机器人的未来状态信息,进一步是如何去捕获它。2. 练习:Part 1: Noiseless Prediction由于没有噪...原创 2018-06-05 22:57:24 · 396 阅读 · 0 评论 -
课程 22:Practice Exam
课程 22:Practice Exam1. 练习:Question 1: Probability2. 练习:Question 2:Probability解答:设下雨事件为A,不下雨事件为BP(A|A) = 0.6P(A|B)=0.25贝叶斯定理:P(A)*P(B|A)=P(B)*P(A|B) 周五 P(A1)=0.75周六 P(A2)= P(A1)*0.6+(1...原创 2018-06-05 22:57:05 · 313 阅读 · 0 评论 -
课程 21:Q&A 6
课程 21:Q&A 61. Office Hours Week 6问1:Graph SLAM 如何处理不可区分的landmarks ?答:这个叫correspondence问题,实际上是2个问题中更难的。我给你一个问题关于如何去解决已知的对应性,它变成了一个持续优化的问题。但这里也有一个离散的问题,车道标志是与这个行人对应还是与那个行人对应?这有解决方案。其中一种最好的叫做“ransa...翻译 2018-06-05 22:56:14 · 141 阅读 · 0 评论 -
课程 20:Problem Set 6
课程 20:Problem Set 61. 练习:Matrix Fill In2. 练习:Online SLAM上面写了一个公式,通过右图分析获取的公式应用到左图上的相应位置。他说这个公式书上有几页描述或者证明。这里没有展开。后面貌似说花了十五年的SLAM科学成就才发现这个形式。上一课中的Graph SLAM的一些例子,大部分都是先make_data(),然后再SLAM,类似于一个离线数据...原创 2018-06-05 22:56:05 · 206 阅读 · 0 评论 -
课程 19:Lesson 6 – SLAM
Lesson 6 – SLAM1. Putting It All Together2. 练习:Localization3. 练习:Planning算法名 是否在连续空间 是否会取得最优解(找到目标) 是否是通用性算法 是否仅是局部性算法 广度优先搜索 否 是 否 否 A* 否 是 否 否 动态规划 否 是 是 否 平滑(Smoothing) 是 否 ...原创 2018-06-05 22:54:15 · 505 阅读 · 0 评论 -
课程 18:Q&A 5
Office Hours Week 51. Twiddle 用于优化PID参数的,Twiddle真的有那么好吗?相比其他可能应用于选择参数的方法,它真会提供更好的结果吗?答:Twiddle只是在一维的时候很好(课程15中是3维吧,x,y,orientation,调整了steer以改变x,y的轨迹),易于实现。搜索参数优化是一个主题?在许多情况下twiddle可能会失败,而其他方法可能会胜出。这...翻译 2018-06-05 22:53:56 · 306 阅读 · 2 评论 -
课程 16:Problem Set 5
课程 16:Problem Set 51. 练习:Missing Parameters这个练习向我们展示了缺失PID参数时的可能效果。a. 优化的PID参数,理论上会让轨迹向期望的轨迹逐渐收敛b. 如果缺失P参数,则CTE表现最大,并逐渐增大。c. 如果缺失D参数,CTE表现没有b那样,但是也会逐渐增大。d. 如果缺失I参数,CTE也会变小,轨迹在期望轨迹附近,呈一定的误差。2...原创 2018-06-05 22:53:32 · 246 阅读 · 0 评论 -
课程 15: Lesson 5-PIDControl
课程 15: Lesson 5-PIDControl1. 练习:Robot Motion关于PID控制器,https://baike.so.com/doc/101113-106693.html实际生活中的车辆的路径移动,跟前面提到的一般不同,在转弯处不会进行直角转弯,一般是较平滑的曲线的转弯。2. 练习:Smoothing Algorithm要做到路径规划中的路径曲线是平滑的,即有以下要求...翻译 2018-06-05 22:53:11 · 1113 阅读 · 0 评论 -
课程14:Q&A 4
Office Hours Week 41. 寻路器(planner)给控制器(controller)的参数还不是那么地精确。2. 无人驾驶汽车,目前不会考虑到其他汽车的喇叭声,也不会发出喇叭声。目前没有对音频通信做处理。一个原因是很多地区的习惯问题。3. A*算法用于无人车路径规划的话,当向前open区块的时候,它不能处理分支结果。默认地,你的处理多个结果。所以它不好处理。(自注:迷宫...翻译 2018-06-03 23:28:37 · 152 阅读 · 0 评论 -
课程 13:Problem Set 4
课程 13:Problem Set 41. 练习:Admissible Heuristic (可接受启发)A* 算法的问题Admissable HeuristicH(x)<= cost-to-goal就是说,如果这个启发函数是可接受的话,那么对于任意的节点n,满足: h(n)<=h*(n)可参考维基百科解释:https://en.wikipedia.org/wiki/Admis...原创 2018-06-03 23:27:28 · 421 阅读 · 0 评论 -
课程 12: Lesson 4 -Search
课程 12: Lesson 4 -Search1. Motion Planning运动规划:有一个地图,给定一个起点,给定一个终点,给定成本函数(最简单的就是按某个路线行驶所需要消耗的时间),程序目标是找到成本最小的路径。2. 练习:Compute Cost转向也可能需要计算成本3. 练习: Compute Cost 24. 练习:Optimal Path5. 练习:Optim...原创 2018-06-03 23:26:31 · 280 阅读 · 2 评论 -
课程11:Q&A 3
Office Hours Week 31. 何时使用粒子过滤器,何时使用卡尔曼过滤器呢?答:粒子过滤器是最容易实现的,但是随着维度增加,增加的复杂度规模是指数级的。所以在高维度问题中不可行。直方图过滤器适用于跟用粒子过滤器相似的情景。基于表格的过滤,确实在很多地方的编程都用到了,不过在精度方面,会跟表格的resolution(分辨率?解析度?)相关。这个问题,还是好好看下前面章节中的一个比较表...翻译 2018-06-03 23:25:36 · 125 阅读 · 0 评论 -
课程9:Problem Set 3
课程9:Problem Set 31. 练习:Empty Cell粒子过滤器初始化时如果采用的是随机均匀分布的策略,那么当N足够大时,粒子散步得会越广泛。空白区域的几率会变小。2. 练习:Motion Question一个有限的空间内,初始时,不同区域分布着不同权重,经过无穷多次移动后,在此空间中的权重的概率会区域均衡。3. 练习:Single Particle粒子过滤器中的粒子总数...原创 2018-06-03 23:24:22 · 301 阅读 · 0 评论 -
课程8 Particle Filters
课程8 Particle Filters1. Field Trip2. 练习: State Space3. 练习:Belief Modality4. 练习:Efficiency5. 练习:Exact or Approximate前面几个练习,讲的内容如下:过滤器名称 状态空间 概率分布 维度增加时的效率 对后验结果的准确性 直方图过滤器(Histogram Filte...原创 2018-06-03 23:23:09 · 385 阅读 · 0 评论 -
课程 5: Problem Set 2
课程 5: Problem Set 21. 练习: Measurement Update2. 练习:New Variance回顾了在测量时,比如由于测量设备存在误差,而且已知测量设备的方差时,通过测量手段预测下一个新的值(呈高斯分布)的均值和方差一维世界中,测量更新代码new_mean = (mean1*var2 +mean2*var1)/(var1+var2) new_var =...原创 2018-06-03 23:21:39 · 271 阅读 · 0 评论 -
课程4: Kalman Filters
课程4: Kalman Filters2.练习:Tracking Intro卡尔曼滤波,是一个非常流行的系统状态的估计方法,和概率定位方法相当类似,与蒙特卡洛定位方法最主要的区别是:卡尔曼滤波对一个连续的状态进行估计,而蒙特卡洛定位方法中,得把世界分割成离散的小块。作为结果,卡尔曼滤波给我们一个单峰分布。而蒙特卡洛定位方法是多峰分布。这两种方法都适用于机器人定位和对其他车辆的跟踪。粒子滤波也是一种...原创 2018-06-03 23:19:05 · 1097 阅读 · 0 评论 -
课程2:Problem Set 1
课程2:Problem Set 12. 练习:Localization平面环境中机器人的一般有3个坐标轴: (x,y,orientation) orientation 是面向的角度。而立体空间中,飞行机器人,一般有6个坐标轴:(x,y,z, roll,pitch,yaw)状态变量从3变化为6,使用基于直方图的定位,对于内存使用量来说,是指数变化的?3. 练习:Bayes’ RuleP(F)=0.0...原创 2018-06-03 23:17:00 · 274 阅读 · 0 评论 -
机器学习(Machine Learning)与深度学习(Deep Learning)资料 之 文章、博客
以下内容摘选自:https://github.com/ty4z2008/Qix/blob/master/dl.mdhttps://github.com/ty4z2008/Qix/blob/master/dl2.md · 《Brief History ofMachine Learning》介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机、神经网络、决策树、SVM、Adaboo...转载 2018-06-15 09:04:57 · 1628 阅读 · 0 评论