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，于今年4月17日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》。第一期开课以后，由于名额限制仍有很多学员未能报名学习，经过第一期学员反馈和调研，后续课程组和授课讲师在第一期课程的基础上进行迭代更新，决定于12月24日，开设第二期，欢迎各位报名!
课程将以自动驾驶应用为应用背景，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。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。
帮助学习者建立系统化的点云知识体系，了解三维点云算法在自动驾驶，机器人行业的实际应用案例
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；
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；
-
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；
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；
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；
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
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
商汤科技自动驾驶部门感知算法研究员
东南大学FutureX Lab无人驾驶研究负责人
曾工作于香港中文大学、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，其研究方向包括面向自动驾驶的融合感知、基于深度学习的三维点云SLAM，基于自主机器人系统控制与规划等在ICCV、ICRA、IROS等国际顶级会议上发表多篇论文。曾主导香港机场物流自动驾驶拖车项目的感知系统研发，并全面负责自动驾驶PRT轨道交通项目等。其所提的基于三维点云学习的动态大场景识别算法取得了当前世界最好精度，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。 
2.实践项目
3.教学服务模式
课程设置开课时间：12月24日
学习方式：线上学习(录播视频+直播答疑)
开课时长：预计为期14周
计划安排：共14章，每周计划学习1~2章
项目作业：8个练习项目
答疑渠道：班级群答疑、直播答疑
先修知识1. 具有一定的高数、线性代数基础知识，了解一般矩阵运算；
2. 具有一定的C ++和Python的编程基础，掌握Linux下基本的C++编程调试能力;
3. 熟悉ROS系统，掌握ROS一般操作，具备基础的ROS package创建调用能力；
4.了解深度学习基础知识，了解熟悉深度学习环境相关配置;
开课前会提供相应的学习资料预习。
适合人群
课程福利
提供完整课件、参考资料、相关随堂代码
提供实践作业并进行批改
颁发结业证书
优秀学员毕业福利 (睿币、实体证书等)
优秀学员就业内推
