plutohu21 / uob_robotics

My robotics(Msc) notes from the university of bristol

Uob_Robotics

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。

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：

• 自动驾驶学习笔记
• 自动驾驶论文阅读

1. Robotics Systems

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。

Assessment 1

• Lec1. Introduction to robotic systems
• Lec2. Line following
• Lec3. Finite State Machine
• Lec4. Obstacle Avoidance
• Lec5. Odometry 里程计

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

• 覆盖规划算法

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。

• Week2. 机器人学研究的技能和方法
• 论文阅读【LIO-SAM】- ENG
• 如何开始学术研究（学期中的总结）

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。

• 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

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：

• 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：

• 课程教程
• 官方课程笔记
• 课程作业及答案
• 课程中文笔记

• 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

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。

• 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)

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）：

• 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：

• AI 1. K-means
• AI 2. 搜索算法 (Search Algorithm)
• AI 3. A* 搜索 (A* Search)

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。

• 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

8. Advanced Control & Dynamicscs

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)

9. Machine Learning

• 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)

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。

• 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

• PWG0. 配置 Gym 的 Anaconda 环境
• PWG 1. 初识强化学习代码
• PWG2. Atari Space Invader | DQN