Skip to content

Latest commit

 

History

History
175 lines (122 loc) · 12.6 KB

Zhihu_Content.md

File metadata and controls

175 lines (122 loc) · 12.6 KB
Raw

#! https://zhuanlan.zhihu.com/p/414973930

机器人学课程目录

这是来自布里斯托大学，机器人专业授课型硕士课程的开源笔记，笔记内容包括但不限于布里斯托大学的课程，其中也有斯坦福和 MIT 公开课的笔记。此专栏从2021年9月开始更新，维持更新时间预计为1年。希望可以和大家共同学习和讨论机器人相关的知识和内容。随着对在线笔记的编辑，知乎 vscode 插件的逐渐熟悉，该专栏中的笔记质量在逐渐提升。文章的格式也从 Markdown 转移到了更加方便 添加代码并运行的 jupyter notebook。

笔记以及一些代码已有 github 托管，可以由此链接访问

0. 前言

截至 22 年 6 月份，本专栏停止更新。对于课程的一些感悟：课程全部结束后，我感觉自己这一年来走了很多的弯路，学校教的很多课程已经完全跟现代社会脱节了，认真上课听讲的同学反而成了冤大头。下面我具体的列举一些我认为完全没用的课程，第一名 MV，该课程的设立实在太落后了，在深度学习时代花大量的时间教我们传统的 CV 方法，深度学习反而只有几节课的内容，本末倒置。第二名 Bio-AI，一时脑抽选了这个课，实在太水了，可以说是毫无用处。第三名 AI，本门课的重点是在教 ML，最后几节课又讲了讲 DL，RL 但都非常的短暂。然后是我认为比较好的几门课，第一是 RRTM，教会了我怎么科学的思考问题，怎么找论文，读论文，做研究，课程的两个老师都是布里斯托的大牛，真的让人受益匪浅。第二名 RS，Paul 老师认真负责，且课程设计重实践，真的可以让小白入门机器人系统设计，是非常棒的一门课。最后我想提出一些建议。第一学期的时候尽量先跟着网课把 DL 学了，然后第二学期再跟着网课学习 CV，太水的课就不去听了，真的很浪费时间。有空的时候多读一些论文，了解领域的最新进展。

虽然该专栏停止更新了，但学习和笔记并不会停止更新，由于我主要的研究方向是自动驾驶，所以在知乎上又开设了一些与自动驾驶技术相关的专栏：

1. Robotics Systems

Assessment 1

Assessment 2

这个项目做的很捞，凑活着看看吧。。。

第二部分的项目仓库： Robot Navigation

2. Robotics Research Technology and Methods

这部分的内容很少的原因是

  • 大多是 saminar (研讨会)，基本都是老师讲自己的研究领域，然后我们来写一些总结作为 report。 由于比较怕老师在查重的时候查到我写的开源笔记，所以暂时不更新这部分的内容。
  • 另外一部分关于培养技能的课程过于简单，比如 presentation, latex, git 这些都是我早已掌握并且经常使用的技能，就不做记载了。

3. Robotic Fundamentals

该部分的课程结合了多个大学的课程，包括本校，以及台大的机器人学（一），英属哥伦比亚大学的ENGR486，国立交通大学的机器人学理论。还有苏黎世联邦理工大学的讲义。此课程需要有一定的力学基础，有机械背景的学生学起来会相对轻松。

4. Machine Vision

老实说布大的计算机视觉课程是不错的（只有第一节课还不错，随后教学质量就不行了），但在我查找资料的过程中发现了一个更好的课程，斯坦福大学开设的卷积神经网络的物体识别课程，所以以后的课程我和结合布大和斯坦福的内容做笔记和总结。下面列出关于斯坦福大学的课程的资料链接：

在学习了一段时间后，发现 UWE 的 MV 与 cs231n 的内容并不一致，为了通过考试，只能换一个与学校内容相同的课程 cs131。可惜的是本课程并没有视频资料，但他们公开了课程笔记：

对于 MV coursework 的一些建议：

  • CV Boackbone 的发展历史 AlexNet -> VGG -> ResNet / EfficientNet -> ViT / Swin Transformer 这些模型所对应的论文都很值得阅读。
  • 一个好用的 CV 框架：OpenMMLab

5. Human-Robot Interaction

人机交互部分与技术关系不是很大，反而是更偏向于社科。

6. Introduction to Artificial Intelligence

该门课程的内容分为 Machine Learning 部分和 Deep Learning 部分。教学的方向以数据科学为主。 由于此部分的内容与 Stanford cs229 部分有些重复，因此重复部分会被一笔带过。

Pytorch 深度学习（布大教的是 TensorFlow）：

数据科学：

算法讲解：

7. Bio-Inspire Artificial Intelligence

由于这门课程为 100% 的项目考核，出于时间问题，该部分的笔记可能不全。

8. Advanced Control & Dynamics

此部分的笔记结合本校的课程以及Matlab 课程 和 B站 DR_CAN 的视频

控制论是一个强实践的课程，本门课程的理论知识并不多，但可以应用的例子非常多，因此多做题对本课程的提升会很有帮助。

9. Machine Learning

该部分的内容基于 Stanford cs229。 此部分的授课方式主要是数学推导，较为硬核。更加浅显一点的课程是 cs22 Introduction to Artificial Intelligence。

10. Deep Reinforcement Learning

此部分的内容是为了毕业论文打基础，并非布大课程。由于前段时间为了赶 Proposal 一口气把 UCL 的 DRL 课全看完了，但没有怎么做笔记，所以先挖个坑，等有空了再慢慢把笔记都补起来。

使用 OpenAI 的 baselines 和 Gym 进行的代码练习， Play With Gym