课程价格 ：
¥999.00
剩余名额
0
-
学习时长
8周/建议每周至少10小时
-
答疑服务
专属微信答疑群/讲师助教均参与
-
作业批改
课程配有作业/助教1V1讲评
-
课程有效期
一年/告别拖延，温故知新
- 1-1：【视频】 如何获得免费的GPU服务器资源
- 1-2：【资料】环境感知助教分享
- 1-3：【资料】自动驾驶环境感知开课仪式
- 第1章: 环境感知介绍
- 2：【课件】L1 课程介绍
- 第1节: 这节课我们讲什么
- 3：【视频】这节课我们讲什么
- 第2节: 概念：自动驾驶与环境感知
- 4-1：【视频】自动驾驶是什么
- 4-2：【视频】环境感知系统都由哪些传感器组成
- 4-3：【视频】激光雷达与毫米波雷达必有一战
- 第3节: 技术：传感器感知算法
- 5：【视频】深度学习算法是否一统江湖了
- 第4节: 行业：感知系统案例
- 6：【视频】3种典型的环境感知方案
- 第5节: 课程：传感器+算法+实践
- 7-1：【视频】这门课程讲什么，怎么讲
- 7-2：【视频】这门课程你会收获到什么
- 第2章: 2D感知算法
- 8：【课件】基于相机的2D视觉感知
- 第1节: 2D感知任务
- 9：【视频】2D感知任务
- 第2节: 数据库和基准测试
- 10：【视频】数据库和基准测试
- 第3节: 物体检测算法
- 11-1：【视频】R-CNN & SSD & YOLO
- 11-2：【视频】CenterNet算法原理
- 11-3：【视频】FCOS & CornerNet
- 11-4：【视频】CenterNet定性分析
- 第4节: 物体跟踪算法
- 12：【视频】物体跟踪算法
- 第5节: 语义分割算法
- 13：【视频】语义分割算法
- 第6节: 作业
- 14-1：【课件】L2 CenterNet实践说明
- 14-2：【作业】第二章
- 14-3：【代码】第二章实践代码 CenterNet-master
- 14-4：【视频】CenterNet Code Review
- 14-5：【资料】环境感知训练平台使用指南 V1.1
- 15-1：【资料】第二章作业思路讲解
- 15-2：【资料】预训练模型
- 15-3：【资料】第二章优秀作业分享
- 16：【资料】CenterNet网络细节梳理
- 第3章: 3D感知算法
- 17：【课件】3D视觉感知
- 第1节: 基于单目的方法
- 18：【视频】3D感知任务
- 第2节: 基于单目的3D感知
- 19：【视频】单目3D感知
- 第3节: 基于双目的3D感知及PSMNet深度估计方法
- 20：【视频】双目3D感知
- 第4节: 多目3D感知
- 21：【视频】多目3D感知
- 第5节: 作业
- 22-1：【说明】PSMNet实践说明
- 22-2：【视频】PSMNet代码讲解
- 23-1：【作业】第三章
- 23-2：【资料】第三章作业思路讲解
- 23-3：【资料】第三章作业分享
- 第4章: 激光雷达物体检测
- 24：【课件】激光雷达物体检测
- 第1节: 基本概念
- 25：【视频】基本概念
- 第2节: 点云数据库
- 26：【视频】点云数据库
- 第3节: 基于点视图的物体检测
- 27：【视频】基于点视图的物体检测
- 第4节: 基于俯视图的物体检测
- 28：【视频】基于俯视图的物体检测
- 第5节: 基于前视图的物体检测
- 29：【视频】基于前视图的物体检测
- 第6节: 基于多视图融合的物体检测
- 30-1：【视频】为什么需要多视图融合
- 30-2： 【视频】基于俯视图与点视图融合的3D物体检测
- 30-3：【视频】基于俯视图与前视图融合的3D物体检测
- 第7节: 总结
- 31：【视频】 总结
- 第8节: 作业
- 32-1：【作业】第四章
- 32-2：【实践代码】OpenPCDet-master.
- 32-3：【资料】第四章作业思路讲解
- 第5章: 激光雷达语义分割
- 33：【课件】激光雷达语义分割
- 第1节: 基本概念
- 34：【视频】基本概念
- 第2节: 数据库和性能指标
- 35：【视频】数据库和性能指标
- 第3节: 基于点云的语义分割
- 36-1：【视频】基于点云的语义分割：点视图的方法RandLA-Net
- 36-2：【视频】基于点云的语义分割：俯视图和前视图的方法
- 36-3：【视频】RandLA-Net代码讲解
- 第4节: 基于点云的实例分割
- 37：【视频】基于点云的实例分割
- 第5节: 基于点云的全景分割
- 38：【视频】基于点云的全景分割
- 第6节: 作业
- 39-1：【作业】第五章
- 39-2：【实践代码】RandLA-Net-pytorch-main
- 39-3：[资料】第五章作业思路讲解
- 第6章: 毫米波雷达感知算法：传统方法
- 40：【课件】基于传统方法的radar感知
- 第1节: 雷达的概念和分类
- 41：【视频】雷达的概念和分类
- 第2节: FMCW雷达信号解析
- 42-1：【视频】目标距离与速度估计
- 42-2：【视频】角度估计
- 42-3：【视频】4D成像雷达
- 第3节: FMCW雷达数据形式
- 43：【视频】FMCW雷达数据形式
- 第4节: 物体检测和跟踪
- 44：【视频】物体检测和跟踪
- 第5节: 作业
- 45-1：【视频】FMCW Radar Code Review
- 45-2：【作业】第六章
- 45-3：【信号设计参考论文】Suleymanov_MA_EWI
- 45-4：【资料】第六章作业思路讲解
- 第7章: 毫米波雷达感知算法：深度学习方法
- 46：【课件】基于深度学习的毫米波雷达感知方法
- 第1节: 数据表示和公开数据库
- 47：【视频】数据表示和公开数据库
- 第2节: 稀疏点云+深度学习
- 48：【视频】稀疏点云+深度学习
- 第3节: 稠密数据块+深度学习
- 49-1：【视频】RAD与RAMP-CNN方法
- 49-2：【视频】RODNet方法
- 第4节: 总结
- 50：【视频】章节内容总结
- 第5节: 作业
- 51-1：【作业】第七章
- 51-2：【作业思路讲解】第七章
- 第8章: 【补充】Apollo感知预测模块仿真实验
- 52：【操作手册】Apollo感知预测仿真
- 第1节: 激光雷达感知
- 53-1：【视频】CNNSeg感知实验
- 53-2：【视频】PointPillars检测
- 第2节: 相机感知
- 54-1：【视频】红绿灯识别
- 54-2：【视频】车道线检测
- 54-3：【视频】相机障碍物检测
- 第3节: 融合感知
- 55：【视频】融合感知
理由三：理论结合实践，扎实所学
项目一
基于CenterNet的车辆和行人检测
项目二
基于PSMNet的双目深度估计
项目三
基于PointPillar的3D物体检测
项目四
基于RandLA-Net的点云语义分割
项目五
FMCW雷达数据模拟以及运动目标解析
项目六
毫米波雷达物体检测算法RODNet
