Udacity一個(gè)學(xué)期的課有三個(gè)分開(kāi)的章節(jié)。前面分開(kāi)記的筆記是關(guān)于追蹤一個(gè)其他物體時(shí)候使用的Kalman濾波。后面兩個(gè)章節(jié)分別講的是汽車本身的定位問(wèn)題和汽車的控制問(wèn)題。因?yàn)槊總€(gè)session的干貨都不多我打算定位和控制各記一份筆記。
無(wú)人車實(shí)際上有四個(gè)核心的內(nèi)容。一是感知。普遍認(rèn)為這是最難的部分。（舉一個(gè)例子，如果感知完的抽象數(shù)據(jù)重新可視化給人類，人類能夠正常開(kāi)車不出事故，那么這個(gè)感知才到基本成功）然后是車輛定位。接著有路徑規(guī)劃。然后用控制盡量讓汽車接近規(guī)劃的路徑。
后面第二個(gè)章節(jié)主要講的是定位的內(nèi)容。因?yàn)镚PS不是很準(zhǔn)。所以需要利用其他傳感器將汽車的定位誤差限制在10厘米。課里面說(shuō)汽車的定位尤其重要，有好的定位汽車才不會(huì)掉下懸崖或者往奇怪的地方開(kāi)。
汽車定位的時(shí)候，需要利用周邊地圖的很多feature point，比如樹(shù)木石頭或者屋子的角點(diǎn)。不過(guò)比較尷尬的是，在第一期的內(nèi)容中并沒(méi)有講解這些feature point是怎么得到的。子煜之前說(shuō)做VR動(dòng)作捕捉的時(shí)候，三維關(guān)鍵點(diǎn)還是一個(gè)open的問(wèn)題。不過(guò)我看這方面的文章也不多。不知道有沒(méi)有人做
講解這一章的是奔馳團(tuán)隊(duì)一個(gè)亞裔的妹子。根據(jù)我的觀察長(zhǎng)得有點(diǎn)像邵婧。
然后上次講kalman濾波數(shù)學(xué)基礎(chǔ)的stanford哥們又回來(lái)了。我才知道junior不是他名字而是他們車的名字。他們有兩輛車分別參加了Darpa的第一個(gè)challenge和第二個(gè)城市的challenge。在城市challenge中定位有助于幫助他們能夠讓車成功走在車道線上
后面是他又去谷歌團(tuán)隊(duì)。
話說(shuō)有時(shí)候路上會(huì)突然出現(xiàn)小動(dòng)物
然后他又吐槽了一遍GPS定位不準(zhǔn)。然后開(kāi)始講解一維的定位問(wèn)題
因?yàn)橐痪S粒子濾波在概率機(jī)器人那本書(shū)上講的很清楚了。我打算拋棄公式的部分。僅解釋這張圖從上到下五行的內(nèi)容。 第一行：假設(shè)一個(gè)走道上有一些門。第二行：一開(kāi)始機(jī)器人在走道上瞎幾把跑，所以他不知道自己在哪里，他以為自己的概率分布是均勻的。第三行：他跑著跑著看到一個(gè)門，因?yàn)橹挥性陂T附近會(huì)觀測(cè)到門，一乘條件概率，有門地方的概率都增加了。第四行：機(jī)器人繼續(xù)往前跑，概率的峰值部分會(huì)shift，并且每個(gè)mode的方差會(huì)增加一些。第五行：又看到一個(gè)門。那當(dāng)前有門的那些peak會(huì)變得更高。我覺(jué)得這個(gè)問(wèn)題其實(shí)寫(xiě)起來(lái)還挺簡(jiǎn)單的，可以考慮做明年校招筆試題。。
然后課程也花了很多時(shí)間來(lái)講這個(gè)東西的離散模式，就是假設(shè)這個(gè)一維的通道被分成了離散隔點(diǎn)。
然后課程回到奔馳團(tuán)地來(lái)講解，奔馳團(tuán)隊(duì)的姐們又講了一遍feature point的問(wèn)題。然后說(shuō)feature point很多看起來(lái)是一樣的
然后又把一維的濾波講了一遍。。
中間倒是提到了一個(gè)問(wèn)題，如果持續(xù)采集LIDAR的數(shù)據(jù)，半天就可以有432G的數(shù)據(jù)，所以要用在線的濾波。不過(guò)其實(shí)不是很多啊。一天也就寫(xiě)一個(gè)硬盤。
中間有一個(gè)session叫motion model。發(fā)型和邵婧一樣的姐們講了一個(gè)自行車型的汽車模型
大致就是把前輪和后輪各自作為一個(gè)轱轆來(lái)考慮。
然后還討論了一下里程計(jì)。
里程計(jì)在理想路面也是一種合適的測(cè)量汽車走了多少的傳感器。不過(guò)在潮濕路面、以及過(guò)減速卡的時(shí)候，他的準(zhǔn)確性要下降。會(huì)高估汽車走過(guò)的路程。
不過(guò)在五連發(fā)夾彎這種地方，里程計(jì)對(duì)于轉(zhuǎn)彎的幫助很大。我覺(jué)得這個(gè)motion model的部分應(yīng)該放在后面講MPC的環(huán)節(jié)講。因?yàn)楹竺嬗种v解了一遍一個(gè)更為復(fù)雜的模型，在下次筆記的時(shí)候記好勒。
另一方面這里講到一個(gè)比較重要的問(wèn)題，激光雷達(dá)會(huì)一次性得到很多個(gè)feature point。而地圖上也有很多，這兩者是怎么關(guān)聯(lián)的，也就是我怎么知道一棵樹(shù)是這棵樹(shù)呢。這是個(gè)很復(fù)雜的問(wèn)題。
激光雷達(dá)可能同時(shí)捕捉到非常多的目標(biāo)。那么我們?cè)趺茨眠@些目標(biāo)來(lái)和地標(biāo)做匹配呢。課程只講了最近鄰一種方法。但是最近鄰實(shí)際上會(huì)有很多缺點(diǎn)。
比如雷達(dá)點(diǎn)多的時(shí)候associate的結(jié)果會(huì)很一般，最近鄰的associate會(huì)忽視點(diǎn)對(duì)之間的邏輯。另一方面誤差可能不是各項(xiàng)同性的。
（如果我們要自己解這些問(wèn)題的話，第一點(diǎn)可能是給ladar結(jié)果做選擇器，第三點(diǎn)其實(shí)是自然通過(guò)粒子濾波來(lái)緩解的，第五點(diǎn)可以考慮用復(fù)雜的度量。但是和第四點(diǎn)沖突，一般還是考慮選擇器+kd tree最近鄰搜索+粒子濾波吧）后面還稍微講了一下激光雷達(dá)每個(gè)角度測(cè)量的誤差不是各向同性的。
這個(gè)章節(jié)最后的作業(yè)似乎是寫(xiě)一個(gè)簡(jiǎn)單的二維定位。。
