精华内容
下载资源
问答
  • 信号系统的知识总结,涵盖信号系统考试点的所有内容,快快下载吧,绝对物超所值!
  • 信号与系统基础知识

    千次阅读 2019-03-27 07:47:04
    信号与系统基础知识

    公式整理:信号与系统公式汇总

    文章目录

    按照吴大正的教材的顺序,仅仅是基础知识的提炼,具体定义见书

    第一章信号与系统
    第二章连续系统的时域分析
    第三章离散系统的时域分析

    第四章傅里叶变换和系统的频域分析
    第五章连续系统的s域分析
    第六章离散系统的z域分析
    第七章系统函数
    第八章系统的状态变量分析

    展开全文
  • 作者主要从信号表示分析方法、系统描述分析方法、连续信号系统与离散信号系统关联三个模块构建了“信号系统”课程的知识体系结构,并详细介绍了其核心概念、基本思想及方法框架,最后介绍了课程教学中的一些...
  • 信号与系统.陈后金

    2014-04-16 21:42:35
    《普通高等教育十一五国家级规划教材•信号与系统》主要阐述确定性信号的时域分析和变换域分析,线性非时变系统的描述特性以及信号通过线性非时变系统的时域分析变换域分析;并简要介绍信号与系统的基本理论在...
  • 信号与系统是电子信息类专业的专业基础课,在本门课程的教学过程中需要大量的高等数学和工程数学知识,本文论述了高等数学和工程数学在信号与系统教学中的重要作用,给出了如何利用已有的数学知识学好信号与系统这...

    摘要 :信号与系统是电子信息类专业的专业基础课,在本门课程的教学过程中需要大量的高等数学和工程数学知识,本文论述了高等数学和工程数学在信号与系统教学中的重要作用,给出了如何利用已有的数学知识学好信号与系统这门课。 关键词:信号与系统 高等数学 工程数学 学习方法 信号与系统是一门重要的专业基础课,是许多专业的必修课。重要性体现在两个方面:一是我们将来从事专业技术工作的重要理论基础;二是上述各类专业硕士研究生入学考试课程。 在教学计划中起着承前启后的作用,前期课程是高数、工程数学中的积分变换,还有电路分析基础;而其本身是后续专业课:通信原理、数字信号处理的基础。


    正文  

    1 在信号与系统中具体用到的高等数学和工程数学知识 
    高等数学包括的范围比较广泛,在信号与系统这门课中用到了它的部分知识。具体所用内容如下:微分方程的求解;差分方程的求解;三种积分变换:傅立叶变换、拉普拉斯变换、z变换;矩阵的求解。 
    2 高等数学在信号与系统应用中的举例 
    2.1高等数学的应用 
    信号与系统这门课主要研究电信号作用于电子系统所产生的响应。要分析一个系统,首先要建立描述该系统基本特性的数学模型,然后用数学方法求出它的解答,并对所得结果赋予实际含义。描述连续系统的数学模型是微分方程,所以信号与系统的问题在某种程度上就转化成微分方程和差分方程的求解了。所以微分方程的求解是分析信号与系统的基础,是必备知识。例如: RLC串联电路的数学模型。将电压源看作激励,选电容两端电压为响应,若要求解两者之间的关系,方程是二阶线性微分方程,利用高等数学的求解方法,即可得到激励和响应的关系了。 
    在高等数学课上了详细讲解了微分方程的各种解法,当然只限于解法,微分方程本身没有任何物理意义。而在信号与系统这门课里,我们关注的是微分方程的物理含义,它与一个实际的电路是一一对应的关系,高等数学里讲解的各种方法是为我们求解响应与激励的关系服务的,这也就是数学的基础性作用。 
    信号与系统这门课里关于响应的求解是分两条主线进行的,一条主线是连续系统,另一条是离散系统。在两个系统中,响应的求解又是分时域和变换域两种方法,时域的方法也就是微分方程和差分方程的求解,显然如果我们没有高等数学的知识,时域的方法就行不通了。 
    2.2工程数学的应用 
    工程数学的应用主要体现在变换域里。在大学当中我们所学的工程数学包括积分变换、线性代数、矢量分析与场论、复变函数,在信号与系统这么课中我们用的最多的是积分变换和线性代数。 
    针对连续系统和离散系统的时域分析,相对应的有三个变换域傅立叶变换、拉普拉斯变换和Z变换。变换域是信号与系统的核心内容,也是比较难的一部分,原因是变换域的分析方法涉及到的数学知识很多,如果没有扎实的数学基础,学起来就有一定的难度。线性代数主要应用在状态变量分析法中,整个分析方法的工具是矩阵。由于状态变量分析法本身的理论就比较难,再加上它所用工具矩阵的运算也比较复杂,导致状态变量法是信号与系统的难点。 
    3 如何利用已有的数学知识学好信号与系统这门课 
    通过上面的论述我们可以知道数学知识在信号与系统这门课中的基础性作用。就这门课程本身而言并不难,它的理论知识很简单,就是讨论输入和输出的关系。但仍有好多同学反映这门课不好学,一个很重要的原因就是学生的数学知识不够扎实,边学这门课,还得边补数学知识,这样肯定学去好;再有一个原因就是虽然数学功底比较深厚,但没有掌握学习方法,导致最终也学不好。 
    关于如何学好信号与系统这门课,在这里给大家推荐一个比较好的方法。首先我们要具备必备的数学知识,在已有的数学知识的基础上了解这门课的框架,找到本门课程的两条脉络,也就是连续系统和离散系统。就其中的一条脉络我们找到关于它的所有内容,以连续系统为例,它又分两条线:时域分析法和变换域分析法。时域分析法中求解输出和输入的关系的数学工具是微分方程,变换域分析法中求解输出和输入的关系的数学工具是拉普拉斯变换和傅立叶变换。只要大家能理清这个脉络,连续系统的学习就没问题。离散系统的脉络分布情况和连续系统的一样,只是数学工具不太一样,时域分析法中求解输出和输入的关系的数学工具是差分方程,变换域分析法中求解输出和输入的关系的数学工具是Z变换。在学好连续系统的基础上,离散系统的学习就简单多了。 
    鉴于信号与系统这么课程的特点,相关的教材分两种类型,一种是先写连续系统,之后再写离散系统;另一种是连续系统和离散系统平行来讲。建议初学者看后者。 
    4 结束语 
    信号与系统是很重要的专业基础课,要想学好它我们必须学好相关的数学知识,掌握正确的学习方法。 
    5 参考文献 
    (1)郑君里等,信号与系统,北京:高教出版社 
    (2)吴大正等,信号与线性系统分析(第四版),北京:高教出版社 
    (3) ALANV.OPPENHEIM(刘树棠译). 信号与系统 . 西安 . 西安交通大学出版社, 1997
    (4) 管致中等 . 信号与线性系统 . 北京 :高等教育出版社, 1992 

    (5) 刘激扬, 介绍一本风格独特的《信号与系统》教学辅导参考书,电气电子教学学报,Vol . 28  No. 3,J un. 2006


    原文地址:http://blog.chinaunix.net/uid-20801941-id-1839020.html

    展开全文
  • 数字信号处理框架

    千次阅读 2019-10-04 15:23:19
    一、数字信号处理的系统框图 (1)前置滤波器:限制进入信道的频率(抗混叠滤波器)(低通滤波器) (2)A-D转换器:将模拟信号转换为数字信号:采样(严格的满足采样定理)、量化(一个值代替某一段的值)、编码 ...

    一、数字信号处理的系统框图
    在这里插入图片描述
    (1)前置滤波器:限制进入信道的频率(抗混叠滤波器)(低通滤波器)
    (2)A-D转换器:将模拟信号转换为数字信号:采样(严格的满足采样定理)、量化(一个值代替某一段的值)、编码
    (3)数字信号处理器:对数字信号进行加工处理
    (4)D-A转换器:将数字信号恢复为模拟信号
    (5)模拟滤波器:除去高频分量,将信号变得平滑;
    二、信号的分类
    信号:是信息的载体,是信息的物理体现;
    (1)离散时间信号:时间离散,幅度是连续的。如果时间离散且幅值被量化后,为数字信号
    (2)连续时间信号:时间是连续的,幅度可以是离散的或者是连续的

    展开全文
  • 2.基础知识框架.emmx

    2020-04-16 10:56:15
    为了研究通信系统,必须了解信号的基本知识。 如信号的基本特征:直流、幅度、功率能量; 傅里叶变换频域特性:频谱、功率、带宽; 随机信号特性:均值相关函数、平稳性各态历经性、功率谱、高斯分布; 噪声...
  • 无人驾驶系统的核心可以概述为三个部分:感知(Perception),规划(Planning)和控制(Control),这些部分的交互以及其车辆硬件,其他车辆的交互可以用下图表示: 由上图可知,无人驾驶...

    无人驾驶汽车系统入门(十七)——无人驾驶系统基本框架

    前面的文章基本上是想写什么写什么,缺乏条理,本节我们完整的梳理一遍无人驾驶系统的基本框架,帮助读者建立对整个系统的完整认识

    无人驾驶系统的核心可以概述为三个部分:感知(Perception),规划(Planning)和控制(Control),这些部分的交互以及其与车辆硬件,其他车辆的交互可以用下图表示:
    这里写图片描述
    由上图可知,无人驾驶软件系统实际上是一个分层的结构,感知规划和控制工作在不同的层当时相互作用。下面我们详细了解这三层的功能:

    感知是指无人驾驶系统从环境中收集信息并从中提取相关知识的能力。其中,环境感知(Environmental Perception)特指对于环境的场景理解能力,例如障碍物的位置,道路标志/标记的检测,行人车辆的检测等数据的语义分类。 一般来说,定位(Localization)也是感知的一部分,定位是无人车确定其相对于环境的位置的能力。

    规划是无人车为了某一目标而作出一些有目的性的决策的过程,对于无人驾驶车辆而言,这个目标通常是指从出发地到达目的地,同时避免障碍物,并且不断优化驾驶轨迹和行为以保证乘客的安全舒适。规划层通常又被细分为任务规划(Mission Planning),行为规划(Behavioral Planning)和动作规划(Motion Planning)三层。

    最后,控制则是无人车精准地执行规划好的动作的能力,这些动作来源于更高的层。

    感知

    环境感知

    为了确保无人车对环境的理解和把握,无人驾驶系统的环境感知部分通常需要获取周围环境的大量信息,具体来说包括:障碍物的位置,速度以及可能的行为,可行驶的区域,交通规则等等。无人车通常是通过融合激光雷达(Lidar),相机(Camera),毫米波雷达(Millimeter Wave Radar)等多种传感器的数据来获取这些信息,本节我们简要地了解一下激光雷达和相机在无人车感知中的应用。

    激光雷达是一类使用激光进行探测和测距的设备,它能够每秒钟向环境发送数百万光脉冲,它的内部是一种旋转的结构,这使得激光雷达能够实时的建立起周围环境的3维地图。通常来说,激光雷达以10Hz左右的速度对周围环境进行旋转扫描,其扫描一次的结果为密集的点构成的3维图,每个点具备(x,y,z)信息,这个图被称为点云图(Point Cloud Graph),如下图所示,是使用Velodyne VLP-32c激光雷达建立的一个点云地图:

    这里写图片描述

    激光雷达因其可靠性目前仍是无人驾驶系统中最重要的传感器,然而,在现实使用中,激光雷达并不是完美的,往往存在点云过于稀疏,甚至丢失部分点的问题,对于不规则的物体表面,使用激光雷达很难辨别其模式,在诸如大雨天气这类情况下,激光雷达也无法使用。

    为了理解点云信息,通常来说,我们对点云数据进行两步操作:分割(Segmentation)和分类(Classification)。其中,分割是为了将点云图中离散的点聚类成若干个整体,而分类则是区分出这些整体属于哪一个类别(比如说行人,车辆以及障碍物)。分割算法可以被分类如下几类:

    • 基于边的方法,例如梯度过滤等
    • 基于区域的方法,这类方法使用区域特征对邻近点进行聚类,聚类的依据是使用一些指定的标准(如欧几里得距离,表面法线等),这类方法通常是现在点云中选取若干种子点(seed points),然后使用指定的标准从这些种子点出发对邻近点进行聚类。
    • 参数方法,这类方法使用预先定义的模型去拟合点云,常见的方法包括随机样本一致性方法(Random Sample Consensus,RANSAC )和霍夫变换(Hough Transform,HT).
    • 基于属性的方法,首先计算每个点的属性,然后对属性相关联的点进行聚类的方法;
    • 基于图的方法
    • 基于机器学习的方法

    在完成了点云的目标分割以后,分割出来的目标需要被正确的分类,在这个环节,一般使用机器学习中的分类算法,如支持向量机(Support Vector Machine,SVM)对聚类的特征进行分类,最近几年由于深度学习的发展,业界开始使用特别设计的卷积神经网络(Convolutional Neural Network,CNN)对三维的点云聚类进行分类,然而,不论是提取特征-SVM的方法还是原始点云-CNN的方法,由于激光雷达点云本身解析度低的原因,对于反射点稀疏的目标(比如说行人),基于点云的分类并不可靠,所以在实践中,我们往往融合激光雷达和相机传感器,利用相机的高分辨率来对目标进行分类,利用Lidar的可靠性对障碍物检测和测距,融合两者的优点完成环境感知。

    在无人驾驶系统中,我们通常使用图像视觉来完成道路的检测和道路上目标的检测。道路的检测包含对道路线的检测(Lane Detection),可行驶区域的检测(Drivable Area Detection);道路上路标的检测包含对其他车辆的检测(Vehicle Detection),行人检测(Pedestrian Detection),交通标志和信号的检测(Traffic Sign Detection)等所有交通参与者的检测和分类。

    车道线的检测涉及两个方面:第一是识别出车道线,对于弯曲的车道线,能够计算出其曲率,第二是确定车辆自身相对于车道线的偏移(即无人车自身在车道线的哪个位置)。一种方法是抽取一些车道的特征,包括边缘特征(通常是求梯度,如索贝尔算子),车道线的颜色特征等,使用多项式拟合我们认为可能是车道线的像素,然后基于多项式以及当前相机在车上挂载的位置确定前方车道线的曲率和车辆相对于车道的偏离。

    可行驶区域的检测目前的一种做法是采用深度神经网络直接对场景进行分割,即通过训练一个逐像素分类的深度神经网络,完成对图像中可行驶区域的切割。
    交通参与者的检测和分类目前主要依赖于深度学习模型,常用的模型包括两类:

    • 以RCNN为代表的基于Region Proposal的深度学习目标检测算法(RCNN,SPP-NET,Fast-RCNN,Faster-RCNN等);
    • 以YOLO为代表的基于回归方法的深度学习目标检测算法(YOLO,SSD等)

    定位

    在无人车感知层面,定位的重要性不言而喻,无人车需要知道自己相对于环境的一个确切位置,这里的定位不能存在超过10cm的误差,试想一下,如果我们的无人车定位误差在30厘米,那么这将是一辆非常危险的无人车(无论是对行人还是乘客而言),因为无人驾驶的规划和执行层并不知道它存在30厘米的误差,它们仍然按照定位精准的前提来做出决策和控制,那么对某些情况作出的决策就是错的,从而造成事故。由此可见,无人车需要高精度的定位。

    目前使用最广泛的无人车定位方法当属融合全球定位系统(Global Positioning System,GPS)和惯性导航系统(Inertial Navigation System)定位方法,其中,GPS的定位精度在数十米到厘米级别之间,高精度的GPS传感器价格也就相对昂贵。融合GPS/IMU的定位方法在GPS信号缺失,微弱的情况下无法做到高精度定位,如地下停车场,周围均为高楼的市区等,因此只能适用于部分场景的无人驾驶任务。

    地图辅助类定位算法是另一类广泛使用的无人车定位算法,同步定位与地图构建(Simultaneous Localization And Mapping,SLAM)是这类算法的代表,SLAM的目标即构建地图的同时使用该地图进行定位,SLAM通过利用已经观测到的环境特征确定当前车辆的位置已经当前观测特征的位置,这是一个利用以往的先验和当前的观测来估计当前位置的过程,实践上我们通常使用贝叶斯滤波器(Bayesian filter)来完成,具体来说包括卡尔曼滤波(Kalman Filter),扩展卡尔曼滤波(Extended Kalman Filter)以及粒子滤波(Particle Filter)。

    SLAM虽然是机器人定位领域的研究热点,但是在实际无人车开发过程中使用SLAM定位却存在问题,不同于机器人,无人车的运动是长距离的,大开放环境的。在长距离的运动中,随着距离的增大,SLAM定位的偏差也会逐渐增大,从而造成定位失败。在实践中,一种有效的无人车定位方法是改变原来SLAM中的扫描匹配类算法,具体来说,我们不再在定位的同时制图,而是事先使用传感器如激光雷达对区域构建点云地图,通过程序和人工的处理将一部分“语义”添加到地图中(例如车道线的具体标注,路网,红绿灯的位置,当前路段的交通规则等等),这个包含了语义的地图就是我们无人驾驶车的高精度地图(HD Map)。在实际定位的时候,使用当前激光雷达的扫描和事先构建的高精度地图进行点云匹配,确定我们的无人车在地图中的具体位置,这类方法被统称为扫描匹配方法(Scan Matching),扫描匹配方法最常见的是迭代最近点法(Iterative Closest Point ,ICP),该方法基于当前扫描和目标扫描的距离度量来完成点云配准,除此以外,正态分布变换(Normal Distributions Transform,NDT)也是进行点云配准的常用方法,它基于点云特征直方图来实现配准。基于点云配准的定位方法也能实现10厘米以内的定位精度,本书后文将详细讲解基于正态分布变换的点云定位方法。虽然点云配准能够给出无人车相对于地图的全局定位,但是这类方法过于以来事先构建的高精度地图,并且在开放的路段下仍然需要配合GPS定位使用,在场景相对单一的路段(如高速公路),使用GPS加点云匹配的方法相对来说成本过高。

    规划

    任务规划

    无人驾驶规划系统的分层结构设计源于2007年举办的DAPRA城市挑战赛,在比赛中多数参赛队都将无人车的规划模块分为三层设计:任务规划,行为规划和动作规划,其中,任务规划通常也被称为路径规划或者路由规划(Route Planning),其负责相对顶层的路径规划,例如起点到终点的路径选择。
    我们可以把我们当前的道路系统处理成有向网络图(Directed Graph Network),这个有向网络图能够表示道路和道路之间的连接情况,通行规则,道路的路宽等各种信息,其本质上就是我们前面的定位小节中提到的高精度地图的“语义”部分,这个有向网络图被称为路网图(Route Network Graph),如下图所示:

    这里写图片描述

    这样的路网图中的每一个有向边都是带权重的,那么,无人车的路径规划问题,就变成了在路网图中,为了让车辆达到某个目标(通常来说是从A地到B地),基于某种方法选取最优(即损失最小)的路径的过程,那么问题就变成了一个有向图搜索问题,传统的算法如迪科斯彻算法(Dijkstra’s Algorithm)和A*算法(A* Algorithm)主要用于计算离散图的最优路径搜索,被用于搜索路网图中损失最小的路径。

    行为规划

    行为规划有时也被称为决策制定(Decision Maker),主要的任务是按照任务规划的目标和当前的局部情况(其他的车辆和行人的位置和行为,当前的交通规则等),作出下一步无人车应该执行的决策,可以把这一层理解为车辆的副驾驶,他依据目标和当前的交通情况指挥驾驶员是跟车还是超车,是停车等行人通过还是绕过行人等等。

    行为规划的一种方法是使用包含大量动作短语的复杂有限状态机(Finite State Machine,FSM)来实现,有限状态机从一个基础状态出发,将根据不同的驾驶场景跳转到不同的动作状态,将动作短语传递给下层的动作规划层,下图是一个简单的有限状态机:

    这里写图片描述

    如上图所示,每个状态都是对车辆动作的决策,状态和状态之间存在一定的跳转条件,某些状态可以自循环(比如上图中的循迹状态和等待状态)。虽然是目前无人车上采用的主流行为决策方法,有限状态机仍然存在着很大的局限性:首先,要实现复杂的行为决策,需要人工设计大量的状态;车辆有可能陷入有限状态机没有考虑过的状态;如果有限状态机没有设计死锁保护,车辆甚至可能陷入某种死锁。

    动作规划

    通过规划一系列的动作以达到某种目的(比如说规避障碍物)的处理过程被称为动作规划。通常来说,考量动作规划算法的性能通常使用两个指标:计算效率(Computational Efficiency)和完整性(Completeness),所谓计算效率,即完成一次动作规划的处理效率,动作规划算法的计算效率在很大程度上取决于配置空间(Configuration Space),如果一个动作规划算法能够在问题有解的情况下在有限时间内返回一个解,并且能够在无解的情况下返回无解,那么我们称该动作规划算法是完整的。

    配置空间:一个定义了机器人所有可能配置的集合,它定义了机器人所能够运动的维度,最简单的二维离散问题,那么配置空间就是[x, y],无人车的配置空间可以非常复杂,这取决于所使用的运动规划算法。

    在引入了配置空间的概念以后,那么无人车的动作规划就变成了:在给定一个初始配置(Start Configuration),一个目标配置(Goal Configuration)以及若干的约束条件(Constraint)的情况下,在配置空间中找出一系列的动作到达目标配置,这些动作的执行结果就是将无人车从初始配置转移至目标配置,同时满足约束条件。在无人车这个应用场景中,初始配置通常是无人车的当前状态(当前的位置,速度和角速度等),目标配置则来源于动作规划的上一层——行为规划层,而约束条件则是车辆的运动限制(最大转角幅度,最大加速度等)。

    显然,在高维度的配置空间来动作规划的计算量是非常巨大的,为了确保规划算法的完整性,我们不得不搜索几乎所有的可能路径,这就形成了连续动作规划中的“维度灾难”问题。目前动作规划中解决该问题的核心理念是将连续空间模型转换成离散模型,具体的方法可以归纳为两类:组合规划方法(Combinatorial Planning)和基于采样的规划方法(Sampling-Based Planning)。

    运动规划的组合方法通过连续的配置空间找到路径,而无需借助近似值。由于这个属性,它们可以被称为精确算法。组合方法通过对规划问题建立离散表示来找到完整的解,如在Darpa城市挑战赛(Darpa Urban Challenge)中,CMU的无人车BOSS所使用的动作规划算法,他们首先使用路径规划器生成备选的路径和目标点(这些路径和目标点事融合动力学可达的),如下图所示,然后通过优化算法选择最优的路径;另一种离散化的方法是网格分解方法(Grid Decomposition Approaches),在将配置空间网格化以后我们通常能够使用离散图搜索算法(如A*)找到一条优化路径。

    基于采样的方法由于其概率完整性而被广泛使用,最常见的算法如PRM(Probabilistic Roadmaps),RRT(Rapidly-Exploring Random Tree),FMT(Fast-Marching Trees),在无人车的应用中,状态采样方法需要考虑两个状态的控制约束,同时还需要一个能够有效地查询采样状态和父状态是否可达的方法。后文我们将详细介绍State-Lattice Planners,一种基于采样的运动规划算法。

    控制

    控制层作为无人车系统的最底层,其任务是将我们规划好的动作实现,所以控制模块的评价指标即为控制的精准度。控制系统内部会存在测量,控制器通过比较车辆的测量和我们预期的状态输出控制动作,这一过程被称为反馈控制(Feedback Control)。

    反馈控制被广泛的应用于自动化控制领域,其中最典型的反馈控制器当属PID控制器(Proportional-Integral-Derivative Controller),PID控制器的控制原理是基于一个单纯的误差信号,这个误差信号由三项构成:误差的比例(Proportion),误差的积分(Integral)和误差的微分(Derivative)。PID控制因其实现简单,性能稳定到目前仍然是工业界最广泛使用的控制器,但是作为纯反馈控制器,PID控制器在无人车控制中确存在一定的问题:PID控制器是单纯基于当前误差反馈的,由于制动机构的延迟性,会给我们的控制本身带来延迟,而PID由于内部不存在系统模型,故PID不能对延迟建模,为了解决这一问题,我们引入基于模型预测的控制方法。

    • 预测模型:基于当前的状态和控制输入预测未来一段时间的状态的模型,在无人车系统中,通常是指车辆的运动学/动力学模型;
    • 反馈校正:对模型施加了反馈校正的过程,使预测控制具有很强的抗扰动和克服系统不确定性的能力。
    • 滚动优化:滚动地优化控制序列,以得到和参考轨迹最接近的预测序列。
    • 参考轨迹:即设定的轨迹。

    下图表示模型预测控制的基本结构,由于模型预测控制基于运动模型进行优化,在PID控制中面临的控制延时问题可以在建立模型考虑进去,所以模型预测控制在无人车控制中具有很高的应用价值。

    这里写图片描述

    1.1.7 小结
    在本结我们概述了无人驾驶系统的基本结构,无人驾驶软件系统通常被划分为三层:感知,规划和控制。从某种程度上而言,无人车在这种分层体系下就可以看作是一个“载人机器人”,其中,感知具体包括环境感知和定位,近年来深度学习的突破,使得基于图像和深度学习的感知技术在环境感知中发挥了越来越重要的作用,借助人工智能,我们已经不再局限于感知障碍物,而逐渐变成理解障碍物是什么,理解场景,甚至预测目标障碍物的行为,机器学习和深度学习的内容我们将在后面两章详细了解;在实际的无人车感知中,我们通常需要融合激光雷达,相机和毫米波雷达等多种测量,这里涉及到的如卡尔曼滤波,扩展卡尔曼滤波等融合算法以及激光雷达,相机的坐标转换算法(通常也被称为激光雷达-相机联合标定)将在本书的传感器融合章节中详细介绍;无人车和机器人的定位方法众多,目前主流的方法一是使用GPS+惯性导航系统融合的方法,二是基于Lidar点云扫描匹配的方法,本书将重点介绍ICP,NDT等基于点云匹配的算法,具体见本书的定位章节。

    规划模块内部也被分成三层:任务规划(也被称为路径规划),行为规划和动作规划,后文会介绍基于路网和离散路径搜索算法的任务规划方法,在行为规划中,我们将重点介绍有限状态机在行为决策中的应用,在动作规划算法层,重点介绍基于采样的规划方法。

    无人车的控制模块我们往往会使用基于模型预测的控制方法,但是在了解模型预测控制算法之前,作为对基础反馈控制的了解,我们前面了解了PID控制器。接着我们学习两类最简单的车辆模型——运动学自行车模型和动力学自行车模型,最后,我们介绍模型预测控制。

    虽然将无人车理解为机器人并且使用机器人开发的思维处理无人车系统是目前工业界的共识,但是也不乏一些单纯使用人工智能或者是智能体来完成无人驾驶的案例。其中基于深度学习的端到端无人驾驶和基于强化学习的驾驶智能体是目前的研究热点,后文会讲解这两类方法。

    展开全文
  • 图像处理知识框架

    千次阅读 2018-08-05 13:59:26
    花了点时间整理了一下数字图像处理知识体系,从宏观上把握图像处理,使自己的学习思路就更加清晰。 1.本文大部分内容来自:http://blog.csdn.net/byxdaz/article/details/4375228 2.有些内容待添加,特别是opencv...
  • 经典重读《信号与系统》-第四章

    千次阅读 2014-12-28 12:08:15
    这样的话,不论是周期信号,还是非周期信号,都可以在傅里叶变换的框架下讨论了。而且,很早就引入了系统函数的概念,利用系统函数和傅里叶变换的卷积性质,求解系统的输出。这里顺便说一句吴大
  • 清华大学828信号与系统考试科目,2020年初试考试时间为12月22日下午14:00-17:00进行笔试,清华大学自主命题,考试时间3小时。 文章目录一、适用院系及专业二、考研参考书目三、重难点知识梳理四、考研历年真题五、...
  • 智能家居系统开发框架

    千次阅读 2016-05-19 15:41:10
    智能家居系统开发框架 版本号:V0.1 版本历史: V0.1,2016/5/15,beep_,初步规划智能家居系统框架并对部分内容予以说明。   一、智能家居系统内部划分 (1)按系统划分 家电控制系统(冰箱、电视、空调...
  • 计算机学科一个新知识框架

    千次阅读 2007-08-01 12:09:00
    计算机学科一个新知识框架Peter J.Denning(主席)Douglas E.Comer,David Gries,Michael C.Mulder,A1len Tucker,A.Joe Turner,and Paul R.Young摘要: 这是计算机科学核心攻关组的最后报告。它给出计算机学科一个...
  • 硬件设计从0到1之基础知识框架

    千次阅读 2019-05-18 19:06:23
    硬件工程师从0到1–《基础知识框架》 笔者自2011年从本科毕业至今已经近8年,目前从事硬件产品经理相关工作,主要面向于B端产品(B端:企业用户)。整个岗位职责经历了硬件工程师、FPGA逻辑工程师、项目经理、产品...
  • 适用于FreeRTOS初学者,FreeRTOS整体知识框架

    千次阅读 多人点赞 2020-06-19 23:02:04
    写在前面:因为实际使用需求,学习了一段时间FreeRTOS。从FreeRTOS的市场占有率来看,网上的资料应该很多,但是在学习过程中尤其是遇到问题的时候,发现真正...笔者根据数日来的学习经验,总结出来的FreeRTOS的知识
  • 嵌入式系统框架----软件篇

    千次阅读 2019-10-28 11:20:44
    1.overview ...嵌入式系统分为硬件以及软件两大部分,大多数人参与的是嵌入式软件设计,更多的是接触的是上层软件系统部分,可以分为两大类型嵌入式软件应用工程师以及嵌入式驱动工程师。 前者主要负...
  • Android系统Audio框架介绍

    万次阅读 多人点赞 2014-09-24 08:49:49
    音频基础知识 声音有哪些重要属性呢? 响度(Loudness) 响度就是人类可以感知到的各种声音的大小,也就是音量。响度声波的振幅有直接关系。 音调(Pitch) 音调声音的频率有关系,当声音的频率越大时,人耳所感知...
  • 为什么想要进行雷达信号处理基础的学习呢,因为现在学习阶段,做项目的阶段,确实对于很多雷达基础不是很清楚,之前学习的课程《雷达系统导论》是水过去的,感到知识的匮乏,所以整理了一下书中的一些重点内容以及...
  • 系统架构和框架以及架构师的职责

    千次阅读 2016-07-17 22:23:06
     框架,即framework,其实是某种应用的半成品,就是一组组件,供你选择来完成自己的系统。简单说就是别人搭好的舞台,你来做表演。而且框架是一般是成熟的,不断升级的软件。  架构,也就是通常所说的软件体系...
  • Android音频系统之音频框架

    千次阅读 2018-06-14 15:44:05
    1.1 音频框架 Android的音频系统在很长一段时间内都是外界诟病的焦点。...但这并不代表它的音频框架一无是处,相反,基于Linux系统的Android平台有很多值得我们学习的地方。 1.1.1 Linux下的音频框架 在计算
  • 系统分析师历年考点知识点总结: 系统分析师历年考点知识点总结 本次课,我们一起学习多媒体一章的知识点 考试要求 综合知识:要求考生掌握多媒体压缩,编码和存储技术。 案例:分析某个具体的多媒体应用系统的体系...
  • iOS系统架构及iPhone应用程序框架

    千次阅读 2015-09-23 16:13:30
    2.Framework介绍3.iOS系统架构及iPhone应⽤用程序框架 4.iOS UItouch 及触摸事件⼿手势 iOS介绍 1. iOS 操作系统是 iPhone、 iPod touch 以及 iPad 设备的核⼼心。 2.构建 iOS 平台的...
  • 先说一下你阅读本文可以得到什么。你能得到AI的理论知识框架;你能学习到如何成为一个AI产品经理并且了解到AI产品经理如何在工作中发挥作用,以及AI产品经理需要从哪些方面锻...
  • Audio System 一 之 Audio 系统框架

    千次阅读 2019-09-29 09:34:28
    Audio System 一 之 音频基础知识一、音频基础知识声音有哪些重要属性呢? Google Pixel、Pixel XL...AOSP 源码(Android 7.1.2):Android 系统全套源代码分享 (更新到 8.1.0_r1) 一、音频基础知识 理解音频...
  • Android系统Audio框架介绍(一)

    千次阅读 2017-06-08 14:00:52
    音频基础知识 声音有哪些重要属性呢? 响度(Loudness) 响度就是人类可以感知到的各种声音的大小,也就是音量。响度声波的振幅有直接关系。 音调(Pitch) 音调声音的频率有关系,当声音的频率越大时,人耳所感知...
  • a、Flask是一个基于Python开发并且依赖jinja2模板和Werkzeug WSGI服务的一个微型框架,对于Werkzeug本质是Socket服务端,其用于接收http请求并对请求进行预处理,然后触发Flask框架,开发人员基于Flask框架提供的...
  • 音:Android音频系统之音频框架

    千次阅读 2019-03-27 10:09:43
    Android音频系统之音频框架 2013年04月13日 11:58:12 林学森 阅读数:36305更多 https://blog.csdn.net/xuesen_lin/article/details/8796492#commentsedit 个人分类: Android专栏 所属专栏: Thinking In ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 39,448
精华内容 15,779
关键字:

信号与系统知识框架