无人驾驶原理与实践
作者：申泽邦，雍宾宾，周庆国，李良编著
出版时间： 2019年版
内容简介
　　无人驾驶是人工智能热潮中极具发展潜力的应用场景，也是一个综合了多个学科的应用领域，涵盖机器人学、自动化控制、机器学习、机器视觉、移动通信、智能交通、车辆工程等诸多学科。本书旨在通过深入浅出的方式系统展现无人驾驶理论，并通过简单易上手的实例帮助读者实现技术入门。 本书作者包括国内一线无人驾驶科研团队负责人、一线新能源汽车厂商无人驾驶技术专家，他们对无人驾驶整个技术栈有着全面深入的研究，同时拥有大量工业应用实践。通过本书，读者将系统学习并实战无人驾驶软件系统的感知、规划和控制基础算法；掌握ROS编程，学习并实践多传感器融合方法；学习机器学习、深度学习和强化学习等人工智能方法在无人驾驶中的应用；读者还将初步了解更接近工业应用的复杂方法。 本书适合希望进入无人驾驶汽车行业的技术人员和高校学生作为技术入门书籍，亦可作为无人驾驶应用研究的工具书籍。
目录
第1章 初识无人驾驶系统
1.1 什么是无人驾驶
1.2 为什么需要无人驾驶
1.3 无人驾驶系统基本框架
1.4 开发环境配置
1.5 本章参考文献
第2章 ROS入门
2.1 ROS简介
2.2 ROS中的概念
2.3 catkin 创建系统
2.4 ROS中的项目组织结构
2.5 基于Husky模拟器的实践
2.6 ROS的基本编程
2.7 ROS services
2.8 ROS Action
2.9 ROS中的常用工具
2.10 本章参考文献
第3章 无人驾驶系统的定位方法
3.1 实现定位的原理
3.2 迭代最近点算法
3.3 正态分布变换
3.4 基于GPS+惯性组合导航的定位系统
3.5 基于Slam的定位系统
3.6 本章参考文献
第4章 状态估计和传感器融合
4.1 卡尔曼滤波和状态估计
4.2 高级运动模型和扩展卡尔曼滤波
4.3 无损卡尔曼滤波
4.4 本章参考文献
第5章 机器学习和神经网络基础
5.1 机器学习基本概念
5.2 监督学习
5.3 神经网络基础
5.4 使用Keras实现神经网络
5.5 本章参考文献
第6章 深度学习和无人驾驶视觉感知
6.1 深度前馈神经网络——为什么要深？
6.2 应用于深度神经网络的正则化技术
6.3 实战——交通标志识别
6.4 卷积神经网络入门
6.5 基于YOLO2的车辆检测
6.6 本章参考文献
第7章 迁移学习和端到端无人驾驶
7.1 迁移学习
7.2 端到端无人驾驶
7.3 端到端无人驾驶模拟
7.4 本章小结
7.5 本章参考文献
第8章 无人驾驶规划入门
8.1 A* 算法
8.2 分层有限状态机和无人车行为规划
8.3 基于自由边界三次样条插值的无人车路径生成
8.4 基于Frenet优化轨迹的无人车动作规划方法
8.5 本章参考文献
第9章 车辆模型和高级控制
9.1 运动学自行车模型和动力学自行车模型
9.2 无人车控制入门
9.3 基于运动学模型的模型预测控制
9.4 轨迹追踪
9.5 本章参考文献
第10章 深度强化学习及在自动驾驶中的应用
10.1 强化学习概述
10.2 强化学习原理及过程
10.3 近似价值函数
10.4 深度Q值网络算法
10.5 策略梯度
10.6 深度确定性策略梯度及TORCS游戏的控制
10.7 本章小结
10.8 本章参考文献





上一篇: 现代汽车 [（苏）斯捷勃列夫（Н.М.Стеблев）著]
下一篇: 现代电动汽车原理与设计