面向自动驾驶的点云处理技术（深度学习）

三维点云在工业界和学术界都是非常热门的研究领域，其最接近物理世界刻画的数据表征能力在机器人、自动驾驶等领域有着非常重要的应用，例如物体识别、物体跟踪、建图定位等，同时三维信息处理带来的多种任务的挑战，也是学术研究的热点问题，特别是基于深度学习的点云研究。在过去十年里，自动驾驶技术取得的巨大进步，主要得益于深度学习等技术的发展。

关于自动驾驶、三维点云、深度学习这 3 个词被大家所熟知，单独分开来，网上也有不少免费资源，但是面向自动驾驶，系统讲解点云处理技术以及深度学习在点云处理中的应用，目前市面上还没有。睿慕课在经过充分调查和研究后，开设了一门线上课程《三维点云处理技术和深度学习在点云处理中的应用》。经过往期学员反馈和调研，后续课程组和授课讲师在往期课程的基础上进行迭代更新，决定于 9 月 2 日，开设第三期，欢迎各位报名!

课程以自动驾驶方向来构建完整的点云基础知识体系，并分析深度学习在点云处理中的前沿发展，帮助不同背景基础的研究人员和开发者建立系统化的点云知识体系，全面掌握点云采集、分割、定位、建图、识别等典型任务方法，同时培养掌握技术前沿和把握未来趋势的能力。

第三期课程新增跟随前沿研究发展和工业落地部署应用。其中深度学习内容新增各任务领域三维点云深度学习研究跟进，并讲解最新具有影响力、启发性的突破工作；新增部署应用开展手把手动手实践系列，以点云物体检测部署等热点项目开展动手实践系列。

通过本课程你可以收获到

1. 全面认识点云处理基础，了解点云获取原理，掌握熟悉点云，曲面，体素等不同点云表征方法及处理手段；

2. 系统讲解三维空间基础知识，掌握欧拉角、旋转矩阵、四元数等刚体运动变换、三维空间变换基础知识；

3. 熟练掌握点云空间索引结构和搜索方法，包括KD-Tree，OC-Tree 等，掌握点云表征，滤波，聚类，分割，识别等几大核心问题，熟练掌握 PCL 点云库并进行项目实践；

4. 掌握基于点云特征的激光 SLAM 框架和原理，包括前端配准（ICP，PL-ICP，NDT 等），回环检测等；

5. 学习基于特征工程的激光点云识别与跟踪算法，介绍多传感器融合原理和方法；结合理论深度探究自动驾驶点云应用实践，包括激光雷达采集，校准，跟踪，识别和建图等核心任务；

6. 全面了解深度学习在点云研究的热点问题，学习利用深度学习解决三维点云处理问题，包括点云分类，分割，注册配准，重识别，重定位，物体识别等方向；

7. 深入学习经典点云深度学习模型，利用工程实践复现经典模型深化理解，包括 PointNet，PointNet ++，DGCNN，PointCNN，PointPillars，PointRCNN，3D 点胶囊网，PointNetVLAD，PointNetLK，Deep Closest Point 等；

8. 紧跟三维点云深度学习前沿研究发展（第三期新增），跟进讲解点云分类、分割、注册配准、重识别、重定位以及物体识别等方向的前沿模型研究，包括 RandLA-Net、Point-GNN、PointContrast、CenterNet3D、PointGroup、PointPainting、Offboard 3D Detection 等；

9. 开展手把手动手实践系列（第三期新增），针对点云物体识别部署的热点项目开展实践教学，包括数据集采集标注、物体检测网络训练调参、TensorRT 推理部署、ROS 感知系统实践等。

选择本课程的四大理由

专业讲师

索传哲

柯柏文（深圳）科技有限公司研发总监

东南大学 FutureX Lab 无人驾驶研究负责人

曾任职商汤科技自动驾驶部门感知算法研究员、香港中文大学天石机器人研究所研究助理、杭州飞步科技自动驾驶公司等。在基于深度学习的三维点云处理方面具有多年经验，包括面向自动驾驶的融合感知，三维点云 SLAM，基于自主机器人系统控制与规划等。曾在香港机场物流自动驾驶拖车项目的感知系统研发，所提的基于三维点云学习的动态大场景识别算法成功实现了高动态香港城市道路和复杂机场仓储环境下的实时场景识别和鲁棒闭环检测任务，在 ICCV， ICRA，IROS 等国际顶级会议上发表多篇论文。

课程大纲

课程以移动机器人、自动驾驶为应用背景，从激光点云数据采集和基础处理算法、到激光定位与建图基本原理、再到基于深度学习的点云分割、定位、识别等最新进展，进行全面系统的介绍，并提供大场景激光点云SLAM和基于深度学习的点云分割与识别的实践学习机会。

识别二维码, 添加助教报名