智能感知与自主系统
M01C08038
课程基本信息
课程编号
M01C08038
课程中文名称
智能感知与自主系统
课程英文名称
Intelligent perception and autonomous system
课程性质
专业选修课
课程类别
硕士生课
开课学院
机电工程学院
允许外学院选课
是
考核方式
课堂开卷
上课语言
其他课程
课程中文简介
本课程以基于深度学习的智能计算与识别理论为基础，介绍基于人工智能技术的智能感知与自主系统的科技发展、自主系统常用传感器、自主系统的数据处理方法、机器人的位姿变换、建图与导航、基于深度学习的目标检测与识别经典算法及模型知识，并结合ROS系统开展基于智能感知与自主系统的仿真实践。课程通过将理论介绍与项目实践相结合，重在实践中学习和掌握自主系统的设计和开发方法。
课程英文简介
This course is based on the theory of intelligent computing and recognition using deep learning. It introduces the technological development of intelligent perception and autonomous systems, commonly used sensors in autonomous systems, data processing methods for autonomous systems, pose transformation, mapping, and navigation of robots, classical algorithms and models for object detection and recognition based on deep learning, and conducts simulation practices based on the ROS system. The course combines theoretical instruction with project practice, aiming to learn and master the design and development methods of autonomous systems through practice.
课程学时安排
教学学时
0
实验学时
0
实践学时
0
周学时
0
其他学时
0
自学学时
0
上课周数
0
总学时
32
课程学分
2.0
教学目标
本课程面向仪器科学与技术学科研究开设，系统介绍自主系统的发展与常用传感器等关键技术、基于深度学习的智能感知方法的基本概念及其经典模型应用。通过本课程的学习，旨在培养学生拥有对深度学习等新理论、新方法的学习研究能力及解决自主系统中智能感知问题的能力。教学目标包括：1. 掌握自主系统的常用传感器原理、特点及其数据处理方法；2. 掌握机器人位姿表示与变换方法，了解机器人常用建图与导航方法； 3. 掌握深度神经网络的基本原理，了解深度学习在目标检测识别、智能感知方面的相关算法与原理；4. 掌握基于ROS2开展机器人的建模及仿真实践的方法。
预备知识要求
高等数学、线性代数、信号与系统、测试信号处理、控制理论、python编程、ROS
主讲教师信息
教师姓名
刘春阳
学历
博士研究生
教师工号
9903754
联系电话
18739058729
教师职务
副教授
邮箱地址
chunyangliu@haust.edu.cn
参考书目
[1] 董洪义. 深度学习之Pytorch物体检测实战[M]. 北京: 机械工业出版社, 2020 [2] 弗朗索瓦.肖莱著，张亮主编. Python深度学习[M]. 北京: 人民邮电出版社, 2018 [3] 毕欣. 自主无人系统的智能环境感知技术[M]. 武汉：华中科技大学出版社出版, 2020
教学日历
第一章 绪论 （2学时） 介绍自主系统与智能感知技术的概念与特点、发展现状及其未来发展趋势，深度学习面临的挑战。科研精神的探讨。 第二章 常用感知方法 （2学时） 介绍自主系统常用的传感设备，如相机、激光雷达、毫米波雷达、超声波、红外、IMU、GPS等的工作原理和特点。 第三章 数据融合方法 （2学时） 介绍经典的数据融合 方法，如卡尔曼滤波、贝叶斯、模糊算法、SVM、机器学习等。 第四章 刚体的位姿变换 （2学时） 介绍刚体的运动、机器人位置姿态表示方法、刚体的旋转与位姿变换。 第五章： 机器人建图与导航 （4学时） 介绍经典的机器人雷达建图与导航方法，包括路径规划的方法，如图搜索方法、PRM、RRT、等。 第六章 深度学习 （8学时理论学习+8学时实践） 介绍人工智能技术的发展和实现方法，重点介绍深度学习的发展历史、特点及其应用，深度学习的经典框架，python语言的特点及其数据类型、结构特征、脚本编写调试方法等。介绍深度神经网络的结构与数学原理，基于梯度的学习、隐藏单元、架构设计、反向传播和微分计算方法，自适应学习率算法、正则化等超参数优化方法。项目实践：基于手写数字数据集进行手写数字分类识别。 介绍卷积运算原理，卷积神经网络的机构设计原理及特点，卷积神经网络的特征提取及其目标检测识别中的应用，项目实践：图像分类项目。 介绍循环神经网络的结构特点与原理，分析长短期记忆网络的结构与计算方法，双向RNN的长期依赖的挑战，目标检测识别技术的发展，经典的目标检测识别的框架结构及模型算法，如YOLO,SSD,R-CNN系列模型，目标检测识别的难点与发展趋势。项目实践：yolo目标检测，人脸识别。 大作业汇报 （2学时） 基于ROS的智能自主移动小车系统设计与仿真。 随堂考试 （2学时）
教材