[PYTHON] Eindrücke vom Abschluss von Term 1 des Udacity-Kurses für automatische Fahringenieure
Ich habe Term 1 des Kurses für automatische Fahringenieure abgeschlossen, der vom Online-Kurs Udacity angeboten wird, daher möchte ich meine Eindrücke schreiben.
Was ist Udacity?
Udacity ist eines der Online-Kurs-MOOCs wie Coursera und edX, und es gibt verschiedene Kurse wie den Kurs für automatische Fahringenieure, den AI-Kurs und den Full-Stack-Ingenieurkurs. Der Unterschied zu anderen MOOCs besteht darin, dass Coursera und andere eher wissensbasiert sind, während Udacity projektbasiert ist. Darüber hinaus werden von Mercedes-Benz usw. Vorlesungen zu automatischen Fahrkursen angeboten, und Sie können die neueste Technologie erlernen.
Was ist ein Kurs für automatische Fahringenieure?
Dies ist ein Programm, das Udacity im November 2016 gestartet hat. Mit diesem Kurs können Sie die Fähigkeiten erwerben, die erforderlich sind, um in 9 Monaten ein automatischer Fahringenieur zu werden. Es ist in 3 Semester von Term1 bis Term3 unterteilt und jedes Semester dauert jeweils 3 Monate. In 3 Monaten von Term1 lernen Sie Computer Vision und Deep Learning und schließen 5 Projekte ab. Die in Term1 verwendete Sprache ist Python, und ab Term2 wird hauptsächlich C ++ verwendet. Ab 2018 scheint es kein anderes Programm als diesen Kurs zu geben, mit dem Sie Techniken im Zusammenhang mit dem automatischen Fahren umfassend studieren können. In diesem Kurs können Sie von der Bilderkennung über die Selbstpositionsschätzung, -steuerung, Routenplanung bis hin zum tatsächlichen Fahrzeugfahren lernen.
(Kürzlich bestätigt, scheint es, dass es sich jetzt um ein 2-Term-System anstelle eines 3-Term-Systems handelt. Die entfernten Inhalte sind modellprädiktive Steuerung im Kontrollfeld, Segmentierung des Straßenbereichs durch Deep Learning und Spurassistentensystem. Die funktionale Sicherheit ging verloren.)
Term1-Projekt
Ich werde kurz den Umriss der fünf Projekte erläutern. Weitere Details werden erklärt.
1. Spurerkennung
Dieses Projekt ist eine Einführung in die Bildverarbeitung und erkennt Fahrspuren mithilfe der Methode zur Erkennung von Cany-Kanten. Ich hatte noch nie Computer Vision verwendet, konnte aber relativ reibungslos vorgehen.
Verwendete Hauptbibliotheken: OpenCV
2. Verkehrszeichenidentifikation
Es ist ein Projekt zur Identifizierung von Verkehrszeichen mit TensorFlow. Dies ist eine Einführung in Deep Learning. Sie können etwas über CNN (Convolutional Neural Network) lernen.
Verwendete Hauptbibliotheken: TensorFlow
3.Behavioral Cloning Die Aufgabe, den Kurs mit Deep Learning zu laufen, ohne das Auto im Simulator zu lassen. Speichern Sie das Bild und den Lenkwinkel, wenn eine Person ein Auto auf dem Simulator fährt. Basierend auf der gespeicherten Bildeingabe wird mithilfe von CNN (Convolutional Neural Network) gelernt, den Griffwinkel auszugeben, und es wird automatisch am Simulator betrieben. Klicken Sie hier für das Video (https://www.youtube.com/watch?v=HRvNs1jUHmI&feature=youtu.be)．
Verwendete Hauptbibliotheken: Keras
4. Spurerkennung (Anwendung)
Während Projekt 1 die grundlegende Methode war, handelt es sich um einen angewandten Inhalt. Erfahren Sie, wie Sie Fahrspuren unabhängig von der Helligkeit von Kurven und Straßen erkennen. Das Video ist hier
Verwendete Hauptbibliotheken: OpenCV
5. Fahrzeugerkennung
Die Aufgabe der Fahrzeugerkennung durch maschinelles Lernen. Ein Lernender, der ein Fahrzeug anhand von Merkmalen wie Histogrammen orientierter Farbverläufe und Farbraum erkennt, wird generiert, und der Lernende wird verwendet, um zu bestimmen, ob sich ein Fahrzeug auf dem Bild befindet, und wenn es sich um ein Fahrzeug handelt, das Fahrzeug. Wird verfolgt. Das Video ist hier
Hauptbibliotheken: OpenCV, Scikit-Learn
Dieses Video ist eine Kombination aus 4 und 5.
Impressionen
Die oben genannten fünf Aufgaben sind in Term 1 enthalten. Die Inhalte reichen von Computer Vision über maschinelles Lernen bis hin zu Deep Learning. Es war ziemlich schwierig, diese Inhalte in 3 Monaten fertigzustellen, und ich verbrachte mindestens 15 Stunden pro Woche. Außerdem kostet jede Laufzeit 800 Dollar, also insgesamt 2400 Dollar. Wenn es die Zeit und das Geld wert ist, denke ich, dass es sich lohnt. Ich habe mich bisher kaum mit Bilderkennung befasst, aber in drei Monaten konnte ich die Fahrzeugerkennung und Spurerkennung durchführen, und mein Wissen über tiefes Lernen wurde vertieft. Und wenn Sie als automatisierter Fahringenieur arbeiten können, sind 2.400 US-Dollar die Investition wert.
Derzeit bin ich mitten in Term2 und möchte auch meine Eindrücke darüber schreiben.
Nachtrag
Im Folgenden finden Sie kostenlose Vorträge zum automatischen Fahren.
Deep Learning for Self-Driving Cars Dies ist eine Methode, die Deep Learning und Deep Reinforcement Learning in MIT-Vorlesungen verwendet, insgesamt fünfmal. Es ist eine Vorlesung aus den Grundlagen des Deep Learning und des maschinellen Lernens.
Introduction to Mobile Robotics - SS 2016 Vorlesung an der Universität Freiburg in Deutschland. Die Vorlesung selbst ist in englischer Sprache und erfordert kein Deutsch, kann jedoch nicht mit Untertiteln versehen werden. Der größte Teil des Inhalts bezieht sich auf Sensorinformationen, die in autonomen Fahrzeugen installiert sind. Zum Beispiel haben wir es mit dem Kalman-Filter zu tun, der bei der Integration von Sensorinformationen (Sensorfusion) verwendet wird. Es gibt auch eine detaillierte Erläuterung von SLAM (eine Methode zur gleichzeitigen Schätzung der Selbstposition und Erstellung einer Umgebungskarte) und der Pfadplanung (Routenplanung).
<a target = "_ blank" href = "https://www.amazon.co.jp/gp/product/4839952981/ref=as_li_tl?ie=UTF8&camp=247&creative=1211&creativeASIN=4839952981&linkCode=as2&tag=ryo5b2b2b > Wahrscheinlichkeitsrobotik (Premium Books-Version) 
iLectureonline Dies ist eine Vorlesung über den Kalman-Filter, der für die Sensorfusion verwendet wird. Persönlich denke ich, dass es das detaillierteste und am einfachsten zu verstehende in der Vorlesung über Kalman-Filter ist.
Recommended Posts