無人駕駛原理與實踐

申澤邦 ,雍賓賓 ,周慶國 ,李良 ,李冠憬

  • 出版商: 機械工業
  • 出版日期: 2019-01-01
  • 售價: $414
  • 貴賓價: 9.5$393
  • 語言: 簡體中文
  • 頁數: 236
  • 裝訂: 平裝
  • ISBN: 7111614992
  • ISBN-13: 9787111614999

立即出貨

買這商品的人也買了...

相關主題

商品描述

無人駕駛是人工智能熱潮中極具發展潛力的應用場景,也是一個綜合了多個學科的應用領域,涵蓋機器人學、
自動化控制、機器學習、機器視覺、移動通信、智能交通、車輛工程等諸多學科。
本書旨在通過深入淺出的方式系統展現無人駕駛理論,
並通過簡單易上手的實例幫助讀者實現技術入門。

本書作者包括國內一線無人駕駛科研團隊負責人、一線新能源汽車廠商無人駕駛技術專家,
他們對無人駕駛整個技術棧有著全面深入的研究,同時擁有大量工業應用實踐。
通過本書,讀者將系統學習並實戰無人駕駛軟件系統的感知、規劃和控制基礎算法;
掌握ROS編程,學習並實踐多傳感器融合方法;學習機器學習、深度學習和強化學習等人工智能方法在無人駕駛中的應用;
讀者還將初步了解更接近工業應用的複雜方法。

本書適合希望進入無人駕駛汽車行業的技術人員和高校學生作為技術入門書籍,
亦可作為無人駕駛應用研究的工具書籍。

作者簡介

申澤邦

蘭州大學RockAuto智能駕駛組創始人、負責人。
研究方向包括無人駕駛,高級輔助駕駛,機器人學和深度學習。
自動駕駛全棧工程師,CSDN博客專家。



雍賓賓

蘭州大學信息科學與工程學院博士後,目前主要從事機器學習、神經網絡和高性能計算領域的研究。



週慶國

蘭州大學教授,博士生導師,國際電氣工程師學會會士,教育部新世紀人才基金獲得者,
蘭州大學開源軟件與實時系統教育部工程研究中心副主任,蘭州大學分佈式與嵌入式系統實驗室主任。
目前主要從事安全關鍵系統、嵌入式系統、實時系統、虛擬化技術的研究。
已在國內外學術期刊上發表論文111篇,其中SCI 28篇,EI30篇,獲得兩項發明專利授權。



李良

小鵬汽車自動駕駛算法專家,Udacity無人駕駛納米學位Mentor和Reviewer, 專注機器人/無人駕駛行業多年,
現主要從事自動駕駛算法技術及系統研究,以及深度學習、人工智能技術在汽車硬件上的商業落地實現。
擁有多篇技術發明專利。



李冠憬

博士研究生導師,靜宜大學特聘教授兼校長特別助理,國際工程技術學會(IET)會士、IEEE高級會員、美國科學促進會(AAAS)會員。
參與過多個國際重要會議指導委員會,同時也是多數據庫收錄(包含副SCI、EI、SCOPUS)之知名國際學術期刊的主編與多個國際知名期刊、
國際會議的委員。
主要從事並行、分佈式、GPU、霧和雲計算及大數據方面的研究,
已發表250多篇國際期刊論文與國際會議論文,著作和編輯了20餘本專著。

目錄大綱

目錄
第1章 初識無人駕駛系統
1.1 什麼是無人駕駛
1.2 為什麼需要無人駕駛
1.3 無人駕駛系統基本框架
1.4 開發環境配置
1.5 本章參考文獻

第2章 ROS入門
2.1 ROS簡介
2.2 ROS中的概念
2.3 catkin 創建系統
2.4 ROS中的項目組織結構
2.5 基於Husky模擬器的實踐
2.6 ROS的基本編程
2.7 ROS services
2.8 ROS Action
2.9 ROS中的常用工具
2.10 本章參考文獻

第3章 無人駕駛系統的定位方法
3.1 實現定位的原理
3.2 迭代最近點算法
3.3 正態分佈變換
3.4 基於GPS+慣性組合導航的定位系統
3.5 基於Slam的定位系統
3.6 本章參考文獻

第4章 狀態估計和傳感器融合
4.1 卡爾曼濾波和狀態估計
4.2 高級運動模型和擴展卡爾曼濾波
4.3 無損卡爾曼濾波
4.4 本章參考文獻

第5章 機器學習和神經網絡基礎
5.1 機器學習基本概念
5.2 監督學習
5.3 神經網絡基礎
5.4 使用Keras實現神經網絡
5.5 本章參考文獻

第6章 深度學習和無人駕駛視覺感知
6.1 深度前饋神經網絡——為什麼要深?
6.2 應用於深度神經網絡的正則化技術
6.3 實戰——交通標誌識別
6.4 卷積神經網絡入門
6.5 基於YOLO2的車輛檢測
6.6 本章參考文獻

第7章 遷移學習和端到端無人駕駛
7.1 遷移學習
7.2 端到端無人駕駛
7.3 端到端無人駕駛模擬
7.4 本章小
7.5 本章參考文獻

第8章 無人駕駛規劃入門
8.1 A* 算法
8.2 分層有限狀態機和無人車行為規劃
8.3 基於自由邊界三次樣條插值的無人車路徑生成
8.4 基於Frenet優化軌蹟的無人車動作規劃方法
8.5 本章參考文獻

第9章 車輛模型和高級控制
9.1 運動學自行車模型和動力學自行車模型
9.2 無人車控制入門
9.3 基於運動學模型的模型預測控
9.4 軌跡追踪
9.5 本章參考文獻

第10章 深度強化學習及在自動駕駛中的應用
10.1 強化學習概述
10.2 強化學習原理及過程
10.3 近似價值函數
10.4 深度Q值網絡算法
10.5 策略梯度
10.6 深度確定性策略梯度及TORCS遊戲的控制
10.7 本章小結
10.8 本章參考文獻