【干货书】基于深度学习的机器人感知与认知，638页pdf

基于深度学习的机器人感知和认知引入了机器人感知和认知深度学习的广泛主题和方法。这本书提供了接近从端到端的学习观点的大量机器人感知和认知任务所需的概念和数学背景。本书适用于机器人视觉、智能控制、机电一体化、深度学习、机器人感知和认知任务的学生、大学和行业研究人员和从业者。

深度学习是指允许计算机利用原始传感器数据并从经验中学习以实现感知、认知和行动等高级目标的方法。这是机器人系统需要的基本能力，特别是在感知和认知任务中，机器人需要了解环境，操作物体，并与人、动物和其他机器人以动态的方式互动。传统的机器人系统对传感器数据和环境状态表示依赖大量的特征工程，其次是通常与数据表示分离的数据分析步骤，而基于深度学习的方法将所有这些步骤结合在一起，形成一个通过经验优化的端到端的基于学习的过程。这允许识别和利用传感器数据中的复杂模式，实现更高的性能水平，并实时获得鲁棒的解决方案。

这本经过编辑的书介绍了机器人感知和认知深度学习的广泛主题，以及端到端方法。它涵盖以下主题:2D/3D目标检测和跟踪，语义场景分割，人类活动识别，无人机竞赛中的自主导航和规划，敏捷生产中的机器人抓取，多智能体系统，仿真环境，生物信号和医学图像分析。为了提供对这些主题的完整描述，本书的第一章涵盖了深度学习模型和机器学习范式的基本概念，这可以作为理解如何有效地训练深度学习模型以实现高性能的参考。这些主题包括神经网络和反向传播、卷积神经网络、图卷积网络、循环神经网络、深度强化学习、轻量级深度学习、知识蒸馏、渐进和压缩深度学习、表示学习和检索。最后，给出了机器人开放深度学习工具(OpenDR)解决机器人问题的具体实例。读者可以使用这些例子作为起点，用深度学习模型有效地编程机器人解决方案。

这本书提供了从端到端机器学习的观点来接近大量机器人感知和认知任务所需的概念和数学背景。它可以作为深度学习、机器学习、机器人及其子学科如机器人视觉和导航的本科或研究生课程的教科书。随着深度学习解决方案不断提供高性能和可靠的解决方案，包括书中涉及的主题在内的相关课程的数量也在增加，许多大学的课程中也加入了新课程。此外，专注于机器人感知和认知任务的机器人视觉、智能控制、机电一体化和深度学习领域的科学家、工程师和实践者可以对深度学习及其在其研究领域的应用有一个完整的认识。通过这本书，读者将能够:

理解深度学习的原理和方法 * 理解在机器人应用中应用端到端学习的原理，设计和训练深度学习模型 * 将深度学习应用于机器人视觉任务，如物体识别、图像分类、视频分析等 * 了解如何使用机器人模拟环境来训练深度学习模型 * 了解如何将深度学习用于不同的任务，从规划、导航到生物信号分析

Chapter 1: Introduction * Chapter 2: Neural networks and backpropagation * Chapter 3: Convolutional neural networks * Chapter 4: Graph convolutional networks * Chapter 5: Recurrent neural networks * Chapter 6: Deep reinforcement learning * Chapter 7: Lightweight deep learning * Chapter 8: Knowledge distillation * Chapter 9: Progressive and compressive learning * Chapter 10: Representation learning and retrieval * Chapter 11: Object detection and tracking * Chapter 12: Semantic scene segmentation for robotics * Chapter 13: 3D object detection and tracking * Chapter 14: Human activity recognition * Chapter 15: Deep learning for vision-based navigation in autonomous drone racing * Chapter 16: Robotic grasping in agile production * Chapter 17: Deep learning in multiagent systems * Chapter 18: Simulation environments * Chapter 19: Biosignal time-series analysis * Chapter 20: Medical image analysis * Chapter 21: Deep learning for robotics examples using OpenDR