相關主題
商品描述
本書詳細講解了基於Python語言實現自動駕駛路徑規劃與決策算法的知識，並通過具體實例展示了這些算法的使用方法。本書共10章，依次講解了Dijkstra算法、A*算法、Bellman-Ford算法、Floyd-Warshall算法、D*算法、D* Lite算法、RRT算法、其他路徑規劃算法、智能行為決策算法、基於SLAM的自主路徑導航系統。書中詳細介紹了各種經典路徑規劃與決策算法的背景、原理、實現步驟及實際應用，通過豐富的案例分析和綜合實戰項目，給出了詳細的編程實現和優化技巧，是路徑規劃和人工智能領域的研究人員及相關專業學生學習和實踐路徑規劃算法的理想之書。本書適用於已經了解了Python基礎開發的讀者，以及想進一步學習自動駕駛、路徑規劃和汽車導航的讀者，也可以作為大專院校相關專業的師生用書和培訓學校的專業性教材。
作者簡介
張良康，山東工業大學計算機博士，機械工程專家。作者熟悉計算機圖形學，理論知識紮實身後，精通計算幾何相關理論，熟悉常用的GIS分析算法及原理，精通路徑規劃的相關算法。目前就職於南京領行科技， T3出行項目的研發工作，負責地圖數據處理開發、地理信息數據分析與挖掘、導航路徑規劃、路徑還原服務的研發及優化工作，參與了面向出行網約車場景的導航路徑規劃引擎系統（路線規劃、導航引導、定位、交通路況等）的研發工作。
目錄大綱
第1章 Dijkstra算法
1．1 Dijkstra算法簡介
1．1．1 背景與歷史
1．1．2 應用領域與典型場景
1．2 Dijkstra算法的核心思想
1．2．1 Dijkstra算法的實現步驟
1．2．2 Dijkstra算法的圖表示方法
1．3 Dijkstra算法的應用案例
1．3．1 交通網絡中的最短路徑規劃
1．3．2 Dijkstra算法在機器人導航系統中的應用
1．4 Dijkstra算法的局限性與改進方法
1．4．1 負權邊問題
1．4．2 大規模圖的計算效率
1．5 綜合實戰：校園地圖路徑規劃系統
1．5．1 項目介紹
1．5．2 Dijkstra路徑規劃
1．5．3 路線導覽
1．5．4 主程序
1．6 綜合實戰：尋找地圖中的最短導航路線
1．6．1 項目介紹
1．6．2 具體實現
第2章 A*算法
2．1 A*算法簡介
2．1．1 A*算法的背景與歷史
2．1．2 應用領域與典型場景
2．2 A*算法的核心思想
2．2．1 A*算法的原理和實現步驟
2．2．2 選擇啟發式函數（估算函數）
2．3 A*算法的優化
2．3．1 基本的優化措施
2．3．2 Hybrid A*算法優化
2．4 綜合實戰：基於A*算法的汽車導航路徑規劃系統
2．4．1 項目介紹
2．4．2 具體實現
第3章 Bellman-Ford算法
3．1 Bellman-Ford算法介紹
3．1．1 背景與歷史
3．1．2 應用領域與典型場景
3．1．3 Bellman-Ford算法與其他路徑規劃算法的對比
3．2 Bellman-Ford算法的核心思想
3．2．1 圖的表示方法
3．2．2 Bellman-Ford算法的原理
3．2．3 Bellman-Ford算法的實現步驟
3．3 Bellman-Ford算法的應用案例
3．3．1 負權邊的最短路徑問題
3．3．2 自動駕駛應用
3．4 Bellman-Ford算法的局限性與改進方法
3．4．1 負權回路的處理
3．4．2 大規模圖的計算效率
3．5 綜合實戰：尋找地圖中建築物的最短距離
3．5．1 項目介紹
3．5．2 具體實現
3．6 綜合實戰：路徑算法性能分析與可視化
3．6．1 項目介紹
3．6．2 具體實現
3．7 綜合實戰：基於Flask Web的路徑規劃可視化
3．7．1 項目介紹
3．7．2 路徑規劃
3．7．3 Flask可視化
3．7．4 模板文件
3．7．5 腳本文件
第4章 Floyd-Warshall算法
4．1 Floyd-Warshall算法簡介
4．1．1 背景與歷史
4．1．2 應用領域與典型場景
4．2 Floyd-Warshall算法的核心思想
4．2．1 基本思想
4．2．2 圖的表示方法
4．2．3 Floyd-Warshall算法的實現步驟
4．2．4 Floyd-Warshall算法的推導過程
4．2．5 Floyd-Warshall算法與其他路徑規劃算法的對比
4．3 Floyd-Warshall算法的應用案例
4．3．1 自駕線路規劃
4．3．2 城市交通規劃應用
4．4 Floyd-Warshall算法的局限性與改進方法
4．4．1 算法覆雜度與大規模圖的挑戰
4．4．2 負權回路的處理策略
4．4．3 並行Floyd-Warshall
4．5 綜合實戰：高速公路路線查詢系統
4．5．1 背景介紹
4．5．2 交通路網數據
4．5．3 尋找最短路徑
第5章 D*算法
5．1 動態路徑規劃算法簡介
5．1．1 靜態路徑規劃算法和動態路徑規劃算法
5．1．2 動態路徑規劃算法的誕生背景
5．1．3 動態路徑規劃算法的應用領域與場景
5．1．4 常用的動態路徑規劃算法
5．2 D*算法介紹
5．2．1 D*算法的發展歷程
5．2．2 D*算法的原理和實現步驟
5．3 綜合實戰：自動駕駛中的動態障礙物處理
5．3．1 實例介紹
5．3．2 具體實現
5．4 綜合實戰：基於D*算法的自動駕駛路徑導航系統
5．4．1 背景介紹
5．4．2 具體實現
第6章 D* Lite 算法
6．1 D* Lite算法簡介
6．1．1 D* Lite算法的誕生背景和發展歷程
6．1．2 D* Lite算法的應用領域與場景
6．2 D* Lite算法的核心思想
6．2．1 基本思想
6．2．2 D* Lite算法的實現步驟
6．2．3 D* Lite算法的基本概念
6．3 綜合實戰：基於D* Lite的路徑規劃器
6．3．1 項目介紹
6．3．2 實現路徑規劃算法
6．4 綜合實戰：D* Lite路徑規劃器
6．4．1 項目介紹
6．4．2 實現路徑規劃算法
6．4．3 路徑規劃可視化
第7章 RRT算法
7．1 RRT算法介紹
7．1．1 機器人運動規劃介紹
7．1．2 改進的RRT 算法
7．1．3 與 RRT 算法相關的概念
7．2 RRT算法的定義與實現
7．2．1 RRT算法的實現步驟
7．2．2 原始的RRT算法
7．3 綜合實戰：基於Pygame的RRT路徑規劃系統
7．3．1 項目介紹
7．3．2 通用文件
7．3．3 事件處理
7．3．4 點處理
7．3．5 碰撞檢測
7．3．6 繪圖操作
7．3．7 RRT算法
7．3．8 主程序
7．4 綜合實戰：基於Gazebo仿真的路徑規劃系統
7．4．1 項目介紹
7．4．2 實現RRT、RRT*和RRT*-FN算法
第8章 其他路徑規劃算法
8．1 PRM算法
8．1．1 PRM算法介紹
8．1．2 PRM算法實戰
8．2 LQR算法
8．2．1 LQR算法介紹
8．2．2 LQR算法實戰
8．3 DWA算法
8．3．1 DWA算法介紹
8．3．2 DWA算法實戰
8．4 Best-First Search算法
8．4．1 Best-First Search算法的基本思想
8．4．2 Best-First Search算法的實現步驟
8．4．3 尋找兩個城市之間的最短路徑
第9章 智能行為決策算法
9．1 智能行為決策算法簡介
9．1．1 智能行為決策算法的誕生背景與發展歷程
9．1．2 智能行為決策算法在自動駕駛中的應用
9．2 常用的智能行為決策算法
9．2．1 馬爾科夫決策過程
9．2．2 強化學習
9．2．3 規則引擎與決策樹
9．2．4 模型預測控制
9．3 綜合實戰：基於自動駕駛大模型的車輛軌跡預測系統
9．3．1 項目介紹
9．3．2 準備工作
9．3．3 EDA數據探索
9．3．4 PyTorch訓練
9．3．5 推理
9．3．6 訓練參數探索
9．3．7 數據增強
第10章 基於SLAM的自主路徑導航系統
10．1 背景介紹
10．2 項目介紹
10．3 公用文件
10．3．1 數學運算
10．3．2 偽隨機數生成器
10．4 障礙物和邊界檢測
10．4．1 檢測全局障礙物和邊界
10．4．2 檢測本地障礙物和邊界
10．5 路徑規劃
10．5．1 跟墻壁行駛
10．5．2 A*算法路徑規劃
10．5．3 RRT算法
