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
同时会在知乎上更新笔记文章。
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：
这是一门褒贬不一的课程。很多同学吐槽老师发完讲义啥也不讲，老师太好当了。但我却非常感激 Prof. Paul，原因如下：
- 这门课程的讲义质量非常的高。讲义里有知识的传授，设置各种难度引导学生思考，最后完成实践性 Robotic Lab。
- 这是一门研究生等级的课程，之所以叫研究生，是因为我们要掌握基础的研究能力，其中当然包括自行跟着讲义完成 Lab 的能力，以及自行上网查阅资料的能力。
- 此外，本课程每周有一节 QA 课程，帮助同学们解决自学过程中的难题。以及一节实践课，帮助同学解决实操过程的问题。
- Paul 对于我 As2 的帮助很大，在我提出 As2 的想法（做扫地机）后，老师第二天就给出一本算法书资料，内容精良，直击本项目的痛点。
- Lec1. Introduction to robotic systems
- Lec2. Line following
- Lec3. Finite State Machine
- Lec4. Obstacle Avoidance
- Lec5. Odometry 里程计
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
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，比如如何 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。
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。
- Lec1. Intro to the concept of kinematics
- Lec2. Homogeneous Transformations -1
- Lec2. Homogeneous Transformations - 2
- Lec3. Forward Kinematics
- Lec4. Inverse Kinematics in Matlab
- Lec5. 速度运动学(Velocity Kinematics)
- Lec6. 轨迹规划 (Trajectory Plan)
- 机器人动力学(Dynamics) -1
- 机器人动力学 (Dynamics) -2
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：
- B站上的视频【熟肉】
- 课程官方网站 【这里我们可以获取课程的 ppt 作业 colab文档】
- 课程的官方 github
- 其他**同学开源的作业代码
- 知乎上的中文笔记
- Week1. An intro to Machine vision
- Week1. Machine Vision Tutorial from Stanford
- Opencv-python-tutorial -- 1
- Opencv-python-tutorial -- 2
- Opencv-python-tutorial -- 3
- Lec2. Image Classification
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：
- 计算机视觉基础 (Basic Knowlege of Machine Vision) -- 1
- 计算机视觉基础 (Basic Knowlege of Machine Vision) -- 2
- 边缘检测 (Edge Detection)
- CV4. 特征提取 (Features) -- 1
- CV5. 特征提取 (Features) -- 2
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
人机交互部分与技术关系不是很大，反而是更偏向于社科。
- HRI1. 人机交互简介 (Human-Robot-Interaction Intro)
- HRI2. 人机交互的研究方法
- HRI3. 机器人设计
- HRI4. 语言交互(Verbal Interaction)
- HRI5. 空间交互(Spatial Interaction)
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）：
- Pytorch 1. 介绍(Intro)
- Pytorch 2. 数据集(Dataset)
- Pytorch 3. 创建一个神经网络
- Pytorch 4. 训练神经网络 (Training our Neural Network)
- Pytorch 5. 卷积神经网络(Convolutional Neural Networks)
- Pytorch 6. 使用GPU训练 (Training with GPU)
数据科学：
- DS 1. Pandas 数据分析
- DS2. Kaggle 入门 (Titanic Project Example)
- DS3. Kaggle 入门 (House Prices - Advanced Regression Techniques)
算法讲解：
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。
- BIONIC.1 神经系统(Neurla System)
- BIONIC.2 人工进化(Artificial evolution) -- 1
- BIONIC.2 人工进化(Artificial evolution) -- 2
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。
- ACnD 1. 状态空间模型 (State Space Model)
- ACnD 1. 状态空间 -- 练习
- ACnD 2. 稳定性 (Stability)
- ACnD 3. 可控性与可观测性 (Controllablity and Obeservablity)
- ACnD 4. 设计控制器 (Contorller Design)
- ACnD 5. 状态观测器 (State Observer)
- 机器学习资料整理(Machine Learning Resources)
- ML1. 线性回归(Linear Regression) -1
- ML1. 线性回归(Linear Regression) -2
- ML2. 分类器类与逻辑回归(Logistic Regression)
- ML3. 广义线性模型(Generalized Linear Models)
- ML4. 生成学习算法(Generative Learning algorithms)
- ML5. 支持向量机 (Support Vector Machine)
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。
- DRL0. 深度强化学习资料汇总
- DRL1. 马尔可夫决策过程 (Markov Decision Processes, MDP)
- DRL 2. 动态编程 (Dynamic Programming)
- DRL3. 探索与尽用 (exploration and exploitation)
使用 OpenAI 的 baselines 和 Gym 进行的代码练习， Play With Gym
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent