車路協同人工智能關鍵技術

前言
第1章 車路協同系統概述
1.1 車路協同系統的產生與發展現狀
1.1.1 車路協同系統誕生背景
1.1.2 車路協同系統國內外發展現狀
1.1.3 車路協同系統產業化前景
1.2 車路協同系統的基本特性
1.2.1 車路協同系統用戶服務
1.2.2 車路協同系統感知特性
1.2.3 車路協同系統控制特性
1.2.4 車路協同系統管控特性
1.3 車路雲協同架構與關鍵技術
1.3.1 車路雲協同架構基本組成
1.3.2 車路雲協同架構智能路端
1.3.3 車路雲協同架構雲控平臺
1.4 車路協同數據交互系統及方法
1.4.1 車路協同系統數據交互模式
1.4.2 車路協同系統數據融合處理
1.4.3 車路協同系統數據集概述
1.5 車路協同系統無線通信技術
1.5.1 車路協同系統通信技術特點
1.5.2 車路協同系統主要通信技術發展現狀
1.5.3 車路協同系統主要通信技術比較
1.5.4 車路協同系統通信技術發展趨勢
參考文獻
第2章 面向車路協同的人工智能技術概述
2.1 車路協同數據集簡介
2.1.1 車端數據集
2.1.2 路端數據集
2.1.3 協同數據集
2.2 車路協同人工智能技術簡介
2.2.1 智能車載技術
2.2.2 智能路側技術
2.2.3 智能通信技術
2.3 車路協同仿真平臺與場景應用
2.3.1 交通仿真平臺
2.3.2 場景設計平臺
2.4 人工智能算法庫
2.4.1 深度學習框架
2.4.2 人工智能算法
參考文獻
第3章 基於人工智能的車路協同感知預測
3.1 車路協同感知預測技術簡介
3.1.1 車路協同感知技術
3.1.2 車路協同預測技術
3.2 基於車聯網技術的車路協同感知體系
3.2.1 車聯網技術
3.2.2 車端視覺感知體系
3.2.3 車端毫米波雷達感知體系
3.2.4 車端激光雷達感知體系
3.3 基於多源數據融合的單車協同感知方法
3.3.1 多源數據融合感知簡介
3.3.2 多源數據融合方法與架構
3.3.3 智能網聯車輛目標檢測技術
3.3.4 車載傳感器信息融合方法概述
3.3.5 車載攝像頭與毫米波雷達信息融合方法
3.4 基於智能網聯汽車的多車協同感知預測方法
3.4.1 基於信息共享的多車協同感知方法
3.4.2 基於seq2seq的多車協同預測方法
參考文獻
第4章 基於人工智能的車路協同決策規劃控制
4.1 車路協同決策規劃控制技術簡介
4.1.1 車路協同決策技術
4.1.2 車路協同規劃技術
4.1.3 車路協同控制技術
4.2 基於人工智能的車路協同決策方法
4.2.1 人工智能決策方法回顧
4.2.2 基於人工智能的跟馳行為決策
4.2.3 基於人工智能的換道行為決策
4.3 基於動態場景的車路協同規劃方法
4.3.1 動態路徑規劃方法
4.3.2 動態軌跡規劃方法
4.3.3 面向城市交叉口場景的直行規劃
4.3.4 面向高速匝道場景的合流規劃
4.4 基於數據驅動的車路協同控制方法
4.4.1 數據驅動控制方法概述
4.4.2 基於數據驅動的軌跡跟蹤控制模型
4.4.3 分布式控制方法———以信號交叉口隊列控制為例
4.4.4 集中式控制方法———以多信號交叉口聯合控制為例
參考文獻
第5章 基於人工智能的車路協同綜合應用
5.1 車路協同綜合應用簡介
5.1.1 車路協同綜合應用的關鍵問題
5.1.2 車路協同綜合應用的常見場景與發展現狀
5.1.3 車路協同綜合應用的功能測試與評價方法
5.2 基於多源數據協同感知的車輛出行鏈提取應用
5.2.1 背景介紹與目標
5.2.2 國內外研究現狀綜述
5.2.3 應用場景解析
5.2.4 數據預處理
5.2.5 模型設計———ST-II模型
5.2.6 模型訓練與評估
5.2.7 實際應用
5.2.8 結論
5.3 基於深度強化學習的自適應車輛速度控制應用
5.3.1 背景介紹與目標
5.3.2 國內外研究現狀綜述
5.3.3 應用場景解析
5.3.4 數據預處理
5.3.5 模型設計
5.3.6 模型訓練與評估
5.3.7 結論
5.4 基於大數據的匝道合流區協同決策應用
5.4.1 背景與目標
5.4.2 國內外研究現狀綜述
5.4.3 應用場景解析
5.4.4 模型設計
5.4.5 模型訓練與評估
5.4.6 結論
參考文獻