Ocena:
Książka służy jako podręcznik wprowadzający do technologii autonomicznej jazdy, koncentrując się na OpenCV i NumPy. Choć zawiera cenne spostrzeżenia i ilustracje, wielu recenzentów uważa, że brakuje w niej podstaw matematycznych i wsparcia dokumentacji.
Zalety:⬤ Kompleksowe omówienie bibliotek i narzędzi open source, w szczególności OpenCV i NumPy.
⬤ Przydatne ilustracje, które pomagają zrozumieć tematy związane z przetwarzaniem obrazu.
⬤ Stanowi przydatne źródło informacji dla osób pracujących nad technologiami samojezdnymi, z praktycznymi przykładami i modułami.
⬤ Nadaje się do wykorzystania w kursach takich jak Udacity's self-driving car curriculum.
⬤ Wymaga częstych konsultacji z dokumentacją OpenCV ze względu na brak szczegółowych wyjaśnień argumentów kodu.
⬤ Brak podstaw matematycznych niezbędnych do głębszego zrozumienia pojęć.
⬤ Sekcje mapowania i SLAM nie obejmują rzeczywistych scenariuszy i wyzwań.
⬤ Ograniczone dogłębne omówienie kluczowych tematów dla kompletnego rozwiązania do samodzielnej jazdy.
(na podstawie 3 opinii czytelników)
Hands-On Vision and Behavior for Self-Driving Cars: Explore visual perception, lane detection, and object classification with Python 3 and OpenCV 4
Praktyczny przewodnik po uczeniu się percepcji wzrokowej dla samojezdnych samochodów dla inżynierów wizji komputerowej i systemów autonomicznych
Główne cechy
⬤ Poznaj elementy składowe systemu percepcji wzrokowej w samochodach autonomicznych.
⬤ Identyfikacja obiektów i pasów ruchu w celu zdefiniowania granic powierzchni jazdy przy użyciu narzędzi open-source, takich jak OpenCV i Python.
⬤ Poprawa możliwości wykrywania obiektów i klasyfikacji systemów za pomocą sieci neuronowych.
Opis książki
Zdolności percepcji wizualnej samojezdnego samochodu są zasilane przez wizję komputerową. Prace związane z samojezdnymi samochodami można ogólnie podzielić na trzy komponenty - robotykę, wizję komputerową i uczenie maszynowe. Niniejsza książka zapewnia obecnym inżynierom i programistom wizji komputerowej wyjątkową okazję do związania się z tą dynamicznie rozwijającą się dziedziną.
Dowiesz się o wizji komputerowej, głębokim uczeniu się i percepcji głębi w zastosowaniu do samochodów bez kierowcy. Książka zapewnia ustrukturyzowane i dokładne wprowadzenie, ponieważ stworzenie prawdziwego samojezdnego samochodu to ogromny wysiłek międzyfunkcyjny. W miarę postępów będziesz omawiać odpowiednie przypadki z działającym kodem, zanim przejdziesz do zrozumienia, jak używać OpenCV, TensorFlow i Keras do analizy strumieni wideo z kamer samochodowych. Później dowiesz się, jak interpretować i w pełni wykorzystywać lidary (wykrywanie światła i odległości) do identyfikacji przeszkód i lokalizowania swojej pozycji. Będziesz nawet w stanie poradzić sobie z podstawowymi wyzwaniami w samochodach autonomicznych, takimi jak znajdowanie pasów ruchu, wykrywanie pieszych i świateł na przejściach, przeprowadzanie segmentacji semantycznej i pisanie kontrolera PID.
Pod koniec tej książki będziesz wyposażony w umiejętności potrzebne do napisania kodu dla autonomicznego samochodu działającego w symulatorze samochodu bez kierowcy i będziesz w stanie stawić czoła różnym wyzwaniom stojącym przed inżynierami samochodów autonomicznych.
Czego się nauczysz
⬤ Zrozumieć, jak przeprowadzić kalibrację kamery.
⬤ Zrozumieć, jak działa wykrywanie pasa ruchu w samochodach autonomicznych przy użyciu OpenCV.
⬤ Poznanie klonowania zachowań poprzez samodzielną jazdę w symulatorze gry wideo.
⬤ Zapoznanie się z wykorzystaniem lidarów.
⬤ Dowiedz się, jak skonfigurować elementy sterujące dla pojazdów autonomicznych.
⬤ Wykorzystanie wykrywania obiektów i segmentacji semantycznej do lokalizowania pasów ruchu, samochodów i pieszych.
⬤ Napisz kontroler PID do sterowania autonomicznym samochodem działającym w symulatorze.
Dla kogo jest ta książka
Ta książka jest przeznaczona dla inżynierów oprogramowania, którzy są zainteresowani poznaniem technologii napędzających rewolucję autonomicznych samochodów. Chociaż wymagana jest podstawowa wiedza na temat wizji komputerowej i programowania w języku Python, wcześniejsza wiedza na temat zaawansowanego głębokiego uczenia się i korzystania z czujników (lidar) nie jest wymagana.