全國廣播 重播的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

Python深度學習：基於PyTorch

為了解決全國廣播 重播的問題，作者吳茂貴鬱明敏楊本法李濤張粵磊 這樣論述：

這是一本基於*的Python和PyTorch版本的深度學習著作，旨在幫助讀者低門檻進入深度學習領域，輕鬆速掌握深度學習的理論知識和實踐方法，快速實現從入門到進階的轉變。 本書是多位元人工智慧技術專家和大資料技術專家多年工作經驗的結晶，從工具使用、技術原理、演算法設計、案例實現等多個維度對深度學習進行了系統的講解。內容選擇上，廣泛涉獵、重點突出、注重實戰；內容安排上，實例切入、由淺入深、循序漸進；表達形式上，深度抽象、化繁為簡、用圖說話。 本書共16章，分為三部分： 第一部分（第1~4章） PyTorch基礎 首先講解了機器學習和資料科學中必然會用到的工具Numpy的使用，然後從多個角度

講解了Pytorch的必備基礎知識，*後詳細講解了Pytorch的神經網路工具箱和資料處理工具箱。 第二部分（第5~8章） 深度學習基礎 這部分從技術原理、演算法設計、實踐技巧等維度講解了機器學習和深度學習的經典理理論、演算法以及提升深度學習模型性能的多種技巧，涵蓋視覺處理、NLP和生成式深度學習等主題。 第三部分（第9~16章） 深度學習實踐 這部分從工程實踐的角度講解了深度學習的工程方法和在一些熱門領域的實踐方案，具體包括人臉識別、圖像修復、圖像增強、風格遷移、中英文互譯、生成式對抗網路、對抗攻擊、強化學習、深度強化學習等內容。   吳茂貴 資深大資料和人工智

慧技術專家，就職于中國外匯交易中心，在BI、資料採擷與分析、資料倉庫、機器學習等領域工作超過20年。在基於Spark、TensorFlow、PyTorch、Keras等的機器學習和深度學習方面有大量的工程實踐實踐。著有《Python深度學習：基於TensorFlow》《深度實踐Spark機器學習》《自己動手做大資料系統》等著作。 郁明敏 資深商業分析師，從事互聯網金融演算法研究工作，專注於大資料、機器學習以及資料視覺化的相關領域，擅長 Python、Hadoop、Spark 等技術，擁有豐富的實戰經驗。曾獲“江蘇省TI杯大學生電子競技大賽”二等獎和“華為杯全國大學生數學建模大賽”二等獎。

楊本法 高級演算法工程師，在流程優化、資料分析、資料採擷等領域有10餘年實戰經驗，熟悉Hadoop和Spark技術棧。有大量工程實踐經驗，做過的專案包括：推薦系統、銷售預測系統、輿情監控系統、揀貨系統、報表視覺化、配送路線優化系統等。 李濤 資深AI技術工程師，對PyTorch、Caffe、TensorFlow等深度學習框架以及電腦視覺技術有深刻的理解和豐富的實踐經驗，曾經參與和主導過服務機器人、無人售後店、搜索排序等多個人工智慧相關的項目。 張粵磊 資深大資料技術專家，飛谷雲創始人，有10餘年一線資料資料採擷與分析實戰經驗。先後在諮詢、金融、互聯網行業擔任大資料平臺的技術負責人或

架構師。   前言 第一部分　PyTorch基礎 第1章　Numpy基礎2 1.1　生成Numpy陣列3 1.1.1　從已有資料中創建陣列3 1.1.2　利用random模組生成陣列4 1.1.3　創建特定形狀的多維陣列5 1.1.4　利用arange、linspace函數生成陣列6 1.2　獲取元素7 1.3　Numpy的算數運算9 1.3.1　對應元素相乘9 1.3.2　點積運算10 1.4　陣列變形11 1.4.1　更改陣列的形狀11 1.4.2　合併陣列14 1.5　批量處理16 1.6　通用函數17 1.7　廣播機制19 1.8　小結20 第2章　PyTor

ch基礎21 2.1　為何選擇PyTorch？21 2.2　安裝配置22 2.2.1　安裝CPU版PyTorch22 2.2.2　安裝GPU版PyTorch24 2.3　Jupyter Notebook環境配置26 2.4　Numpy與Tensor28 2.4.1　Tensor概述28 2.4.2　創建Tensor28 2.4.3　修改Tensor形狀30 2.4.4　索引操作31 2.4.5　廣播機制32 2.4.6　逐元素操作32 2.4.7　歸併操作33 2.4.8　比較操作34 2.4.9　矩陣操作35 2.4.10　PyTorch與Numpy比較35 2.5　Tensor與Autog

rad36 2.5.1　自動求導要點36 2.5.2　計算圖37 2.5.3　標量反向傳播38 2.5.4　非標量反向傳播39 2.6　使用Numpy實現機器學習41 2.7　使用Tensor及Antograd實現機器學習44 2.8　使用TensorFlow架構46 2.9　小結48 第3章　PyTorch神經網路工具箱49 3.1　神經網路核心元件49 3.2　實現神經網路實例50 3.2.1　背景說明51 3.2.2　準備數據52 3.2.3　視覺化來源資料53 3.2.4　構建模型53 3.2.5　訓練模型54 3.3　如何構建神經網路？56 3.3.1　構建網路層56 3.3.2　

前向傳播57 3.3.3　反向傳播57 3.3.4　訓練模型58 3.4　神經網路工具箱nn58 3.4.1　nn.Module58 3.4.2　nn.functional58 3.5　優化器59 3.6　動態修改學習率參數60 3.7　優化器比較60 3.8　小結62 第4章　PyTorch資料處理工具箱63 4.1　資料處理工具箱概述63 4.2　utils.data簡介64 4.3　torchvision簡介66 4.3.1　transforms67 4.3.2　ImageFolder67 4.4　視覺化工具69 4.4.1　tensorboardX簡介69 4.4.2　用tensor

boardX視覺化神經網路71 4.4.3　用tensorboardX視覺化損失值72 4.4.4　用tensorboardX視覺化特徵圖73 4.5　本章小結74 第二部分　深度學習基礎 第5章　機器學習基礎76 5.1　機器學習的基本任務76 5.1.1　監督學習77 5.1.2　無監督學習77 5.1.3　半監督學習78 5.1.4　強化學習78 5.2　機器學習一般流程78 5.2.1　明確目標79 5.2.2　收集資料79 5.2.3　資料探索與預處理79 5.2.4　選擇模型及損失函數80 5.2.5　評估及優化模型81 5.3　過擬合與欠擬合81 5.3.1　權重正則化82

5.3.2　Dropout正則化83 5.3.3　批量正則化86 5.3.4　權重初始化88 5.4　選擇合適啟動函數89 5.5　選擇合適的損失函數90 5.6　選擇合適優化器92 5.6.1　傳統梯度優化的不足93 5.6.2　動量演算法94 5.6.3　AdaGrad演算法96 5.6.4　RMSProp演算法97 5.6.5　Adam演算法98 5.7　GPU加速99 5.7.1　單GPU加速100 5.7.2　多GPU加速101 5.7.3　使用GPU注意事項104 5.8　本章小結104 第6章　視覺處理基礎105 6.1　卷積神經網路簡介105 6.2　卷積層107 6.2.1

　卷積核108 6.2.2　步幅109 6.2.3　填充111 6.2.4　多通道上的卷積111 6.2.5　啟動函數113 6.2.6　卷積函數113 6.2.7　轉置卷積114 6.3　池化層115 6.3.1　局部池化116 6.3.2　全域池化117 6.4　現代經典網路119 6.4.1　LeNet-5模型119 6.4.2　AlexNet模型120 6.4.3　VGG模型121 6.4.4　GoogleNet模型122 6.4.5　ResNet模型123 6.4.6　膠囊網路簡介124 6.5　PyTorch實現CIFAR-10多分類125 6.5.1　資料集說明125 6.5.2

　載入數據125 6.5.3　構建網路127 6.5.4　訓練模型128 6.5.5　測試模型129 6.5.6　採用全域平均池化130 6.5.7　像Keras一樣顯示各層參數131 6.6　模型集成提升性能133 6.6.1　使用模型134 6.6.2　集成方法134 6.6.3　集成效果135 6.7　使用現代經典模型提升性能136 6.8　本章小結137 第7章　自然語言處理基礎138 7.1　迴圈神經網路基本結構138 7.2　前向傳播與隨時間反向傳播140 7.3　迴圈神經網路變種143 7.3.1　LSTM144 7.3.2　GRU145 7.3.3　Bi-RNN146 7.4

　迴圈神經網路的PyTorch實現146 7.4.1　RNN實現147 7.4.2　LSTM實現149 7.4.3　GRU實現151 7.5　文本資料處理152 7.6　詞嵌入153 7.6.1　Word2Vec原理154 7.6.2　CBOW模型155 7.6.3　Skip-Gram模型155 7.7　PyTorch實現詞性判別156 7.7.1　詞性判別主要步驟156 7.7.2　數據預處理157 7.7.3　構建網路157 7.7.4　訓練網路158 7.7.5　測試模型160 7.8　用LSTM預測股票行情160 7.8.1　 導入數據160 7.8.2　數據概覽161 7.8.3　預

處理數據162 7.8.4　定義模型163 7.8.5　訓練模型163 7.8.6　測試模型164 7.9　迴圈神經網路應用場景165 7.10　小結166 第8章　生成式深度學習167 8.1　用變分自編碼器生成圖像167 8.1.1　自編碼器168 8.1.2　變分自編碼器168 8.1.3　用變分自編碼器生成圖像169 8.2　GAN簡介173 8.2.1　GAN架構173 8.2.2　GAN的損失函數174 8.3　用GAN生成圖像175 8.3.1　判別器175 8.3.2　生成器175 8.3.3　訓練模型175 8.3.4　視覺化結果177 8.4　VAE與GAN的優缺點178

8.5　ConditionGAN179 8.5.1　CGAN的架構179 8.5.2　CGAN生成器180 8.5.3　CGAN判別器180 8.5.4　CGAN損失函數181 8.5.5　CGAN視覺化181 8.5.6　查看指定標籤的數據182 8.5.7　視覺化損失值182 8.6　DCGAN183 8.7　提升GAN訓練效果的一些技巧184 8.8　小結185 第三部分　深度學習實踐 第9章　人臉檢測與識別188 9.1　人臉識別一般流程188 9.2　人臉檢測189 9.2.1　目標檢測189 9.2.2　人臉定位191 9.2.3　人臉對齊191 9.2.4　MTCNN演算法

192 9.3　特徵提取193 9.4　人臉識別198 9.4.1　人臉識別主要原理198 9.4.2　人臉識別發展198 9.5　PyTorch實現人臉檢測與識別199 9.5.1　驗證檢測代碼199 9.5.2　檢測圖像200 9.5.3　檢測後進行預處理200 9.5.4　查看經檢測後的圖像201 9.5.5　人臉識別202 9.6　小結202 第10章　遷移學習實例203 10.1　遷移學習簡介203 10.2　特徵提取204 10.2.1　PyTorch提供的預處理模組205 10.2.2　特徵提取實例206 10.3　資料增強209 10.3.1　按比例縮放209 10.3.2　

裁剪210 10.3.3　翻轉210 10.3.4　改變顏色211 10.3.5　組合多種增強方法211 10.4　微調實例212 10.4.1　數據預處理212 10.4.2　載入預訓練模型213 10.4.3　修改分類器213 10.4.4　選擇損失函數及優化器213 10.4.5　訓練及驗證模型214 10.5　清除圖像中的霧霾214 10.6　小結217 第11章　神經網路機器翻譯實例218 11.1　Encoder-Decoder模型原理218 11.2　注意力框架220 11.3　PyTorch實現注意力Decoder224 11.3.1　構建Encoder224 11.3.2　

構建簡單Decoder225 11.3.3　構建注意力Decoder226 11.4　用注意力機制實現中英文互譯227 11.4.1　導入需要的模組228 11.4.2　數據預處理228 11.4.3　構建模型231 11.4.4　訓練模型234 11.4.5　隨機採樣，對模型進行測試235 11.4.6　視覺化注意力236 11.5　小結237 第12章　實戰生成式模型238 12.1　DeepDream模型238 12.1.1　Deep Dream原理238 12.1.2　DeepDream演算法流程239 12.1.3　用PyTorch實現Deep Dream240 12.2　風格遷移

243 12.2.1　內容損失244 12.2.2　風格損失245 12.2.3　用PyTorch實現神經網路風格遷移247 12.3　PyTorch實現圖像修復252 12.3.1　網路結構252 12.3.2　損失函數252 12.3.3　圖像修復實例253 12.4　PyTorch實現DiscoGAN255 12.4.1　DiscoGAN架構256 12.4.2　損失函數258 12.4.3　DiscoGAN實現258 12.4.4　用PyTorch實現從邊框生成鞋子260 12.5　小結262 第13章　Caffe2模型遷移實例263 13.1　Caffe2簡介263 13.2　Ca

ffe如何升級到Caffe2264 13.3　PyTorch如何遷移到Caffe2265 13.4　小結268 第14章　AI新方向：對抗攻擊269 14.1　對抗攻擊簡介269 14.1.1　白盒攻擊與黑盒攻擊270 14.1.2　無目標攻擊與有目標攻擊270 14.2　常見對抗樣本生成方式271 14.2.1　快速梯度符號法271 14.2.2　快速梯度演算法271 14.3　PyTorch實現對抗攻擊272 14.3.1　實現無目標攻擊272 14.3.2　實現有目標攻擊274 14.4　對抗攻擊和防禦措施276 14.4.1　對抗攻擊276 14.4.2　常見防禦方法分類276 14

.5　總結277 第15章　強化學習278 15.1　強化學習簡介278 15.2　Q-Learning原理281 15.2.1　Q-Learning主要流程281 15.2.2　Q函數282 15.2.3　貪婪策略283 15.3　用PyTorch實現Q-Learning283 15.3.1　定義Q-Learing主函數283 15.3.2　執行Q-Learing284 15.4　SARSA演算法285 15.4.1　SARSA演算法主要步驟285 15.4.2　用PyTorch實現SARSA演算法286 15.5　小結287 第16章　深度強化學習288 16.1　DQN演算法原理28

8 16.1.1　Q-Learning方法的局限性289 16.1.2　用DL處理RL需要解決的問題289 16.1.3　用DQN解決方法289 16.1.4　定義損失函數290 16.1.5　DQN的經驗重播機制290 16.1.6　目標網路290 16.1.7　網路模型291 16.1.8　DQN演算法291 16.2　用PyTorch實現DQN演算法292 16.3　小結295 附錄A　PyTorch0.4版本變更296 附錄B　AI在各行業的最新應用301   為什麼寫這本書 在人工智慧時代，如何儘快掌握人工智慧的核心——深度學習，是每個欲進入該領域的人都會面臨

的問題。目前，深度學習框架很多，如TensorFlow、PyTorch、Keras、FastAI、CNTK等，這些框架各有優缺點，應該如何選擇？是否有一些標準？我認為，適合自己的就是最好的。 如果你是一位初學者，建議選擇PyTorch，有了一定的基礎之後，可以學習其他一些架構，如TensorFlow、CNTK等。建議初學者選擇PyTorch的主要依據是： 1）PyTorch是動態計算圖，其用法更貼近Python，並且，PyTorch與Python共用了許多Numpy的命令，可以降低學習的門檻，比TensorFlow更容易上手。 2）PyTorch需要定義網路層、參數更新等關鍵步驟，這非常

有助於理解深度學習的核心；而Keras雖然也非常簡單，且容易上手，但封裝細微性很粗，隱藏了很多關鍵步驟。 3）PyTorch的動態圖機制在調試方面非常方便，如果計算圖運行出錯，馬上可以跟蹤問題。PyTorch的調試與Python的調試一樣，通過中斷點檢查就可以高效解決問題。 4）PyTorch的流行度僅次於TensorFlow。而最近一年，在GitHub關注度和貢獻者的增長方面，PyTorch跟TensorFlow基本持平。PyTorch的搜索熱度持續上漲，加上FastAI的支持，PyTorch將受到越來越多機器學習從業者的青睞。 深度學習是人工智慧的核心，隨著大量相關項目的落地，人們對

深度學習的興趣也持續上升。不過掌握深度學習卻不是一件輕鬆的事情，尤其是對機器學習或深度學習的初學者來說，挑戰更多。為了廣大人工智慧初學者或愛好者能在較短時間內掌握深度學習基礎及利用PyTorch解決深度學習問題，我們花了近一年時間打磨這本書，在內容選擇、安排和組織等方面採用了如下方法。 （1）內容選擇：廣泛涉獵 精講 注重實戰 深度學習涉及面比較廣，且有一定門檻。沒有一定廣度很難達到一定深度，所以本書內容基本包括了機器學習、深度學習的主要內容。書中各章一般先簡單介紹相應的架構或原理，幫助讀者理解深度學習的本質。當然，如果只有概念、框架、原理、數學公式的介紹，可能就顯得有點抽象或乏味，所以，

每章都配有大量實踐案例，通過實例有利於加深對原理和公式的理解，同時有利於把相關內容融會貫通。 （2）內容安排：簡單實例開始 循序漸進 深度學習是一塊難啃的硬骨頭，對有一定開發經驗和數學基礎的從業者是這樣，對初學者更是如此。其中卷積神經網路、迴圈神經網路、對抗式神經網路是深度學習的基石，同時也是深度學習的3大硬骨頭。為了讓讀者更好地理解掌握這些網路，我們採用循序漸進的方式，先從簡單特例開始，然後逐步介紹更一般性的內容，最後通過一些PyTorch代碼實例實現之，整本書的結構及各章節內容安排都遵循這個原則。此外，一些優化方法也採用這種方法，如對資料集Cifar10分類優化，先用一般卷積神經網路，

然後使用集成方法、現代經典網路，最後採用資料增加和遷移方法，使得模型精度不斷提升，由最初的68%，上升到74%和90%，最後達到95%左右。 （3）表達形式：讓圖說話，一張好圖勝過千言萬語 在機器學習、深度學習中有很多抽象的概念、複雜的演算法、深奧的理論等，如Numpy的廣播機制、梯度下降對學習率敏感、神經網路中的共用參數、動量優化法、梯度消失或爆炸等，這些內容如果只用文字來描述，可能很難達到使讀者茅塞頓開的效果，但如果用一些圖形來展現，再加上適當的文字說明，往往能取得非常好的效果，正所謂一張好圖勝過千言萬語。 除了以上談到的3個方面，為了幫助大家更好理解、更快掌握機器學習、深度學習這些

人工智慧的核心內容，本書還包含了其他方法。我們希望通過這些方法方式帶給你不一樣的理解和體驗，使抽象數學不抽象、深度學習不深奧、複雜演算法不複雜、難學的深度學習也易學，這也是我們寫這本書的主要目的。 至於人工智慧（AI）的重要性，我想就不用多說了。如果說2016年前屬於擺事實論證的階段，2017年和2018年是事實勝於雄辯的階段，那麼2019年及以後就進入百舸爭流、奮楫者先的階段。目前各行各業都忙於“AI ”，大家都希望通過AI來改造傳統流程、傳統結構、傳統業務、傳統架構，其效果猶如歷史上用電改造原有的各行各業一樣。  

全國廣播 重播進入發燒排行的影片

電視劇《后宮甄嬛傳》意象與敘事手法研究

為了解決全國廣播 重播的問題，作者范家寧 這樣論述：

摘要 網路世代改變了閱讀型態，紙本不再是唯一的閱讀媒介，影像閱讀滿足了平面閱讀的虛擬想像。隨著各大文學網提供龐大的雲端空間，各類型的小說花團錦簇的綻放開來，成為電視劇題材的新選擇。 《後宮甄嬛傳》在2011年開播至今已滿10年，各大電視台重播、網路平台重新上傳、甚至翻譯成美語日語，一部劇可以重播10年依然有提討論的流量與聲浪，情節或人物必然有其獨到的魅力存在。 本論文試圖探討原著小說與電視劇改編之間關聯、時代背景套用的狀況與敘事手法中主題與情節的運用，並對劇中古典文學的引用方法做分析，藉由花意象的運用與其背後所隱含之意作探討。此外《後宮甄嬛傳》與《鏡花緣》、《紅樓夢》相似

之處，在於均借鏡花木的意象呈現人物內心與形象；再比較原著小說與本劇中重要人物角色安排與事件鋪陳的差異情況。藉由上述的差異，分析每一故事段落之間事件的安排，以對比的手法探討故事起落，對比的範圍包含人物類型、善惡之念、正反派人物的形象與行為等，最後結論本論文重點。關鍵詞：後宮甄嬛傳、改編小說、花意象、敘事手法

ROS機器人開發實踐

為了解決全國廣播 重播的問題，作者胡春旭 這樣論述：

本書在介紹ROS總體框架和理論要點的基礎上，講解ROS的通信機制、常用組件和進階功能；同時以實踐為主，講解機器視覺、機器聽覺、SLAM與導航、機械臂控制、機器學習等多種ROS應用的主要原理和實現方法；並分析基於ROS的機器人系統設計方法和典型實例；后論述ROS2的框架特點和使用方法，剖析ROS的發展方向。 胡春旭，網名古月，華中科技大學自動化學院碩士。目前主要從事機器人控制系統的研究開發。作為國內最早—批ROS開發者，具備多年開發、應用經驗，參與研 發過服務機器人、機械臂等機器人產品。曾獲開源硬體與嵌入式大賽機器人組全國冠軍，飛思卡爾杯智慧汽車競賽全國一等獎，中國人工智慧

機器人學術會議十佳論 文等獎項。   推薦序一 推薦序二 推薦序三 前言 第1章 初識ROS 1.1ROS是什麼 1.1.1ROS的起源 1.1.2ROS的設計目標 1.1.3ROS的特點 1.2如何安裝ROS 1.2.1作業系統與ROS版本的選擇 1.2.2配置系統軟體源 1.2.3添加ROS軟體源 1.2.4添加金鑰 1.2.5安裝ROS 1.2.6初始化rosdep 1.2.7設置環境變數 1.2.8完成安裝 1.3本書源碼下載 1.4本章 小結 第2章 ROS架構 2.1ROS架構設計 2.2計算圖 2.2.1節點 2.2.2消息 2.2.3話題 2.2.4服務 2

.2.5節點管理器 2.3檔案系統 2.3.1功能包 2.3.2元功能包 2.4開源社區 2.5ROS的通信機制 2.5.1話題通信機制 2.5.2服務通信機制 2.5.3參數管理機制 2.6話題與服務的區別 2.7本章 小結 第3章 ROS基礎 3.1第一個ROS常式——小烏龜模擬 3.1.1turtlesim功能包 3.1.2控制烏龜運動 3.2創建工作空間和功能包 3.2.1什麼是工作空間 3.2.2創建工作空間 3.2.3創建功能包 3.3工作空間的覆蓋 3.3.1ROS中工作空間的覆蓋 3.3.2工作空間覆蓋示例 3.4搭建Eclipse開發環境 3.4.1安裝Eclipse 3.4

.2創建Eclipse工程檔 3.4.3將工程導入Eclipse 3.4.4設置標頭檔路徑 3.4.5運行／偵錯工具 3.5RoboWare簡介 3.5.1RoboWare的特點 3.5.2RoboWare的安裝與使用 3.6話題中的Publisher與Subscriber 3.6.1烏龜常式中的Publisher與Subscriber 3.6.2如何創建Publisher 3.6.3如何創建Subscriber 3.6.4編譯功能包 3.6.5運行Publisher與Subscriber 3.6.6自訂話題消息 3.7服務中的Server和Client 3.7.1烏龜常式中的服務 3.7.2

如何自訂服務資料 3.7.3如何創建Server 3.7.4如何創建Client 3.7.5編譯功能包 3.7.6運行Server和Client 3.8ROS中的命名空間 3.8.1有效的命名 3.8.2命名解析 3.8.3命名重映射 3.9分散式多機通信 3.9.1設置IP位址 3.9.2設置ROS_MASTER_URI 3.9.3多機通信測試 3.10本章 小結 第4章 ROS中的常用組件 4.1launch開機檔案 4.1.1基本元素 4.1.2參數設置 4.1.3重映射機制 4.1.4嵌套複用 4.2TF座標變換 4.2.1TF功能包 4.2.2TF工具 4.2.3烏龜常式中的TF 4

.2.4創建TF廣播器 4.2.5創建TF監聽器 4.2.6實現烏龜跟隨運動 4.3Qt工具箱 4.3.1日誌輸出工具（rqt_console） 4.3.2計算圖視覺化工具（rqt_graph） 4.3.3資料繪圖工具（rqt_plot） 4.3.4參數動態配置工具（rqt_reconfigure） 4.4rviz三維視覺化平臺 4.4.1安裝並運行rviz 4.4.2數據視覺化 4.4.3外掛程式擴展機制 4.5Gazebo模擬環境 4.5.1Gazebo的特點 4.5.2安裝並運行Gazebo 4.5.3構建模擬環境 4.6rosbag資料記錄與重播 4.6.1記錄資料 4.6.2重播數據

4.7本章 小結 第5章 機器人平臺搭建 5.1機器人的定義 5.2機器人的組成 5.2.1執行機構 5.2.2驅動系統 5.2.3傳感系統 5.2.4控制系統 5.3機器人系統搭建 5.3.1MRobot 5.3.2執行機構的實現 5.3.3驅動系統的實現 5.3.4內部傳感系統的實現 5.4基於RaspberryPi的控制系統實現 5.4.1硬體平臺RaspberryPi 5.4.2安裝Ubuntu16.04 5.4.3安裝ROS 5.4.4控制系統與MRobot通信 5.4.5PC端控制MRobot 5.5為機器人裝配攝像頭 5.5.1usb_cam功能包 5.5.2PC端驅動攝像頭

5.5.3RaspberryPi驅動攝像頭 5.6為機器人裝配Kinect 5.6.1freenect_camera功能包 5.6.2PC端驅動Kinect 5.6.3RaspberryPi驅動Kinect 5.6.4Kinect電源改造 5.7為機器人裝配雷射雷達 5.7.1rplidar功能包 5.7.2PC端驅動rplidar 5.7.3RaspberryPi驅動rplidar 5.8本章 小結 第6章 機器人建模與模擬 6.1統一機器人描述格式——URDF 6.1.1＜link＞標籤 6.1.2＜joint＞標籤 6.1.3＜robot＞標籤 6.1.4＜gazebo＞標籤 6.2創建

機器人URDF模型 6.2.1創建機器人描述功能包 6.2.2創建URDF模型 6.2.3URDF模型解析 6.2.4在rviz中顯示模型 6.3改進URDF模型 6.3.1添加物理和碰撞屬性 6.3.2使用xacro優化URDF 6.3.3xacro文件引用 6.3.4顯示優化後的模型 6.4添加感測器模型 6.4.1添加攝像頭 6.4.2添加K{nect 6.4.3添加雷射雷達 6.5基於ArbotiX和rviz的模擬器 6.5.1安裝ArbotiX 6.5.2配置ArbotiX控制器 6.5.3運行模擬環境 6.6ros_control 6.6.1ros_control框架 6.6.2控

制器 6.6.3硬體介面 6.6.4傳動系統 6.6.5關節約束 6.6.6控制器管理器 6.7Gazebo模擬 6.7.1機器人模型添加Gazebo屬性 6.7.2在Gazebo中顯示機器人模型 6.7.3控制機器人在Gazebo中運動 6.7.4攝像頭模擬 6.7.5Kinect模擬 6.7.6雷射雷達模擬 6.8本章 小結 第7章 機器視覺 7.1ROS中的圖像資料 7.1.1二維圖像資料 7.1.2三維點雲數據 7.2攝像頭標定 7.2.1camera_calibration功能包 7.2.2啟動標定程式 7.2.3標定攝像頭 7.2.4標定Kinect 7.2.5載入標定參數的設定檔

7.3OpenCV庫 7.3.1安裝OpenCV 7.3.2在ROS中使用OpenCV 7.4人臉識別 7.4.1應用效果 7.4.2源碼實現 7.5物體跟蹤 7.5.1應用效果 7.5.2源碼實現 7.6二維碼識別 7.6.1ar_track_alvar功能包 7.6.2創建二維碼 7.6.3攝像頭識別=維碼 7.6.4Kinect識別二維碼 7.7物體識別 7.7.1ORK功能包 7.7.2建立物體模型庫 7.7.3模型訓練 7.7.4三維物體識別 7.8本章 小結 第8章 機器語音 8.1讓機器人聽懂你說的話 8.1.1pocketsphinx功能包 8.1.2語音辨識測試 8.1.3

創建語音庫 8.1.4創建launch文件 8.1.5語音指令識別 8.1.6中文語音辨識 8.2通過語音控制機器人 8.2.1編寫語音控制節點 8.2.2語音控制小烏龜運動 8.3讓機器人說話 8.3.1sound_play功能包 8.3.2語音播放測試 8.4人工智慧標記語言 8.4.1AIML中的標籤 8.4.2Python中的AIML解析器 8.5與機器人對話 8.5.1語音辨識 8.5.2智能匹配應答 8.5.3文本轉語音 8.5.4智慧對話 8.6讓機器人聽懂中文 8.6.1下載科大訊飛SDK 8.6.2測試SDK 8.6.3語音聽寫 8.6.4語音合成 8.6.5智慧語音助手 8

.7本章 小結 第9章 機器人SLAM與自主導航 9.1理論基礎 9.2準備工作 9.2.1感測器資訊 9.2.2模擬平臺 9.2.3真實機器人 9.3gmapping 9.3.1gmappmg功能包 9.3.2gmapping節點的配置與運行 9.3.3在Gazebo中模擬SLAM 9.3.4真實機器人SLAM 9.4hectOr—Slam 9.4.1hector—slam功能包 9.4.2hector_mappmg節點的配置與運行 9.4.3在Gazebo中模擬SLAM 9.4.4真實機器人SLAM 9.5cartographer 9.5.1cartographer功能包 9.5.2官方d

emo測試 9.5.3cartographer節點的配置與運行 9.5.4在Gazebo中模擬SLAM 9.5.5真實機器人SLAM 9.6rgbdslam 9.6.1rgbdslam功能包 9.6.2使用資料包實現SLAM 9.6.3使用Kinect實現SLAM 9.7ORB.SLAM 9.7.1ORB_SLAM功能包 9.7.2使用資料包實現單目SLAM 9.7.3使用攝像頭實現單目SLAM 9.8導航功能包 9.8.1導航框架 9.8.2move_base功能包 9.8.3amcl功能包 9.8.4代價地圖的配置 9.8.5本地規劃器配置 9.9在rviz中模擬機器人導航 9.9.1創建

launch文件 9.9.2開始導航 9.9.3自動導航 9.10在Gazebo中模擬機器人導航 9.10.1創建launch文件 9.10.2運行效果 9.10.3即時避障 9.11真實機器人導航 9.11.1創建launch文件 9.11.2開始導航 9.12自主探索SLAM 9.12.1創建launch文件 9.12.2通過rviz設置探索目標 9.12.3實現自主探索SLAM 9.13本章 小結 …… 第10章 Movelt！機械臂控制 第11章 ROS與機器學習 第12章 ROS進階功能 第13章 ROS機器人實例 第14章 ROS 2 Foreword 推薦序一“

古月”容易讓人想到古龍筆下的大俠。 大俠的特質是：開山建宗，隨而遁影山林，空余武林紛說大俠的故事。 古月在CSDN留下了那些優美的博文——《ROS探索總結》，啟蒙了多少人，開啟了多少人對ROS的嚮往？隨後，古月卻“消失”了，任憑人們談論著：“古月是誰？”“古月在哪裡？” 2017年年初，我無意間看到古月另建了一個獨立網站並發佈了一些與ROS和機器人相關的博文，馬上意識到“古月回來了”。遂邀請古月參加一年一度的ROS暑期學校。這樣在2017年7月底，我們有幸在上海華東師範大學一睹古月尊容，也讓很多學員在這裡接受了ROS啟蒙。 2018年1月25日，上海大雪，路過2015年ROS暑期學校的舉辦地—

—數學館201，以及2016年和2017年的舉辦地——理科樓B222，想像著古月踏雪歸來。這次他帶著這本ROS武林秘笈，秉承ROS的開放精神，與更多的人分享ROS的基礎和應用實踐，尤其是包含最新的ROS 2.0的介紹。我想最可貴的是，此ROS武林秘笈通俗易懂。 古月的這本書註定將成為ROS江湖人手一本的“武林寶典”。 張新宇博士華東師範大學智慧型機器人運動與視覺實驗室負責人機器人作業系統（ROS）暑期學校創辦人推薦序二 Foreword2011年，當國內ROS資料還很匱乏的時候，正在讀本科的古月同學為了開發一款機器人，一邊摸索自學一邊總結撰寫了《ROS探索總結》系列博客。由於其博文條理清晰、主

題豐富並具有很強的可操作性，文章一經發佈便深受廣大ROS網友的熱愛。從此“古月大神”便成為群裡熱議的話題，“古月大神又出新文章啦！大家快去擼一擼啊！”……後來，古月同學研究生畢業後就投身于機器人創業的時代浪潮，博客也便沉寂了許久。 你不在江湖，江湖卻一直有你的傳說！ 記得是2015年冬天的一個深夜，我已經上床準備睡覺了，突然收到一個群聊資訊，原來是機械工業出版社華章公司的張國強先生邀請我一起建議古月出版一本ROS相關的圖書，我就從多年來學習閱讀《ROS探索總結》的體會以及升級為圖書後的風格和思路提了幾點簡單建議，大家也交換了一些經驗和想法，當時古月表示可以考慮出書。說實話，我也深知出書是一件耗

時費力的苦差事。當初我曾接受出版社邀約，拉了幾個小夥伴團結在一起甚至想合力完成一本書，最後卻也未能克服困難堅持下來，更別說一個人寫了。尤其是對於古月這樣一位創業者，時間成本更是巨大！ 在2016年創辦的星火計劃ROS公開課以及華東師範大學ROS暑期學校等活動中，我們邀請古月一起合作進行了多次授課。他不僅僅講課深入淺出，每次在實踐環節小夥伴們調試機器人時，常常會被各種“坑”折磨得焦頭爛額、欲哭無淚，當小夥伴們含淚請教古月老師且自己還沒講清楚情況時，古月僅掃一眼，馬上就會胸有成竹地說：“是不是這個現象？你應該這麼解決……”此情此景，讓我不由得想起了一句話：“今天你遇到的坑，都是我當年走過的路。”可

見古月不僅文筆好，實戰能力也是超群。 後來也多次得知他創業繁忙，心中也暗自揣度出書的事情恐怕是要擱淺了。然而一直到2017年12月26日，突然收到古月發的一條資訊。 “Hi，Top，還記得兩年前籌備的那本書嗎？現在終於寫完了，希望邀請您寫一個推薦序，不知是否方便？” 哇，這可真是大驚喜啊！我連忙打開電腦下載郵件，並將檔列印裝訂成書，放下手頭的工作，重啟“ROS探索之旅”，幾個晚上看下來總體感覺如下。 首先，書的內容主要源自古月個人項目開發的經驗習得，書名中的“實踐”二字恰如其分！其次，書雖是源自《ROS探索總結》系列博文，但也絕不是博文的簡單彙集，不僅內容上有了非常大的充實（增加了多個新的章節

）和更新（跟蹤至2017年12月ROS的最新進展），而且在結構編排上也更適合閱讀和上機操作。厚厚的書稿承載著作者滿滿的誠意，除去國外某兩本由ROS論文合集組成的圖書，本書也是目前為止國內外已出版的內容最豐富的一本ROS相關圖書。可見作者為此書花費了大量的心血！最後，作者對書中的示例代碼進行了認真的調試，也做了大量的修改和注釋。 作為人工智慧的綜合實體平臺，當前阻礙機器人實現大規模應用的一項主要障礙就是軟硬的不標準化（只能專用，無法通用）。每每針對某個特定應用場景設計機器人時，都需要花費大量成本和努力來對機器人進行設計和程式設計。即使完成之後，如果需要對機器人功能進行一個很小的改動，整個系統都需

要進行成本很高的重新設計和開發，顯然這是不符合可持續和可繼承要求的，其限制了機器人的大規模應用與推廣。 正如60年前軟體行業放棄了從頭編寫程式的工作模式，ROS的出現是機器人開發的一場革命。如同從軟體庫和模組開始構建軟體一樣，通過ROS可以將機器人的標準演算法常式化、軟體模組化、成果共用化，後人可通過組合軟體庫和模組來實現十分複雜的功能。ROS有效地降低了工程的複雜度和工作量，讓我們不僅可以很快地搭建出機器人系統，而且能夠實現大型團隊的協同工作與成果複用。這也正是我們努力推廣ROS的主要動因。 願與大家一同享受探索的歡喜！ 劉錦濤（Top）博士易科機器人實驗室（ExBot Robotics）

物聯網在地震災害防制系統應用之研究

為了解決全國廣播 重播的問題，作者范文鴻 這樣論述：

強烈地震發生時常造成建築物破壞，導致瓦斯線路斷裂及因瓦斯外洩引起之火災。強震也會造成門扇被卡住，使居民被困於屋內而影響逃生。強震來襲時為了安全電梯會突然剎車停在梯間，需要救援人員到現場協助脫困。為了有效警示居民在強震來襲之前，採取有效之防護措施，本研究使用物聯網技術，開發『智慧地震災害防制系統』。該系統平常隨時監測中央氣象局地震測報中心之即時地震預警資料，當有即時地震資料更新時，馬上取得該地震之強度及震央位置，並且計算到達所在位置的強度及時間。當判別該次地震可能會造成災害時，馬上啟動瓦斯切斷器關閉瓦斯之供氣。當判別有居民在家時，馬上啟動聲光地震警報，並以Line、簡訊及電子看板顯示即時地震資

料(包含地震之到達剩餘之秒數及其強度)，並自動開啟大門及家中所有門扇避免卡死。該強震信息馬上通知地區電梯管理中心，馬上把運轉中電梯停在下一個安全樓層、管制電梯之使用、並開啟門扇、廣播強震即將來襲信息。透過本系統之開發，可以有效的擷取中央氣象局最新地震預警資訊，並採行必要之避難減災措施，將因地震造成的生命傷亡及財產損失降到最低。關鍵字：地震預警、Line通報系統、物聯網、地震災害防制、電梯遠端控制