自動駕駛核心技術：環境感知、路徑規劃和實時地圖導航
商品描述
"《自動駕駛核心技術 : 環境感知、路徑規劃和實時地圖導航》深入講解了自動駕駛核心開發技術(環境感知、路徑規劃和實時地圖導航)的核心知識。《自動駕駛核心技術 : 環境感知、路徑規劃和實時地圖導航》內容全面且通俗易懂，共分10章，主要包括自動駕駛概述、激光雷達傳感器感知、智能導航、路徑規劃與決策、車輛和行人行為預測、基於紅外傳感器的環境感知、基於超聲波傳感器的環境感知、基於SLAM的定位與地圖構建算法、構建實時地圖以及基於深度學習的實時地圖導航系統。本書適用於已經掌握了Python語言基礎語法知識並具有一定開發經驗，想進一步學習智能駕駛、智能制造、無人機、機器人開發的讀者，還可以作為高等院校相關專業的教學用書和培訓機構的專業教材。 "
作者簡介
馬國英，山東大學計算機碩士畢業，專攻於計算機圖形學。在GIS領域擁有豐富的經驗，精通路徑規劃的相關算法。現就職阿裏AI，擔任地圖數據處理開發、地理信息數據分析與挖掘等研發及優化工作。
目錄大綱
第1章 自動駕駛概述 1
1.1 自動駕駛介紹 2
1.1.1 自動駕駛分級 2
1.1.2 自動駕駛的發展歷程 3
1.1.3 自動駕駛的應用領域 3
1.2 自動駕駛技術介紹 5
1.2.1 傳感器技術 5
1.2.2 感知與感知算法 6
1.2.3 控制與執行系統 7
1.3 自動駕駛的挑戰與機會 8
1.3.1 技術挑戰 8
1.3.2 法規與政策挑戰 9
1.3.3 社會接受度與文化變革 11
1.4 本章總結 12
第2章 激光雷達傳感器感知 13
2.1 激光雷達傳感器介紹 14
2.2 點雲處理 14
2.2.1 濾波算法 15
2.2.2 降采樣算法 16
2.2.3 去噪算法 18
2.2.4 法向量估計算法 20
2.2.5 曲面重建算法 22
2.2.6 配準算法 24
2.3 目標檢測與分割 28
2.3.1 基於PointNet的目標檢測與分割 28
2.3.2 基於Voxel-based的目標檢測與分割 30
2.3.3 基於BEV的目標檢測與分割 33
2.3.4 基於Range Image的目標檢測與分割 35
2.3.5 基於深度學習的分割方法 37
2.4 地面提取 39
2.4.1 基於高程閾值的方法 39
2.4.2 基於斜率的方法 41
2.4.3 基於聚類的方法 43
2.4.4 基於機器學習的方法 44
2.4.5 基於濾波的方法 46
2.4.6 基於深度學習的方法 48
2.4.7 層次分割方法 49
2.5 SLAM定位與地圖構建 51
2.5.1 Laser SLAM算法 52
2.5.2 Deep SLAM算法 58
2.5.3 圖優化算法 61
2.6 運動估計 64
2.6.1 擴展卡爾曼濾波算法 64
2.6.2 無跡卡爾曼濾波算法 66
2.6.3 粒子濾波算法 69
2.7 本章總結 71
第3章 智能導航 73
3.1 智能導航介紹 74
3.2 目標檢測和識別 74
3.2.1 常用的目標檢測和識別算法 75
3.2.2 實戰案例：基於機器學習算法的目標檢測 75
3.3 車道檢測 78
3.3.1 車道檢測的流程 78
3.3.2 常用的車道檢測算法 78
3.3.3 實戰案例：基於深度學習的車道檢測 81
3.4 目標跟蹤技術 94
3.4.1 卡爾曼濾波器算法 94
3.4.2 擴展卡爾曼濾波器算法 97
3.4.3 粒子濾波器算法 99
3.4.4 多假設跟蹤算法 101
3.4.5 相關濾波器算法 103
3.4.6 軌跡聚類算法 106
3.4.7 實戰案例：基於OpenCV的行人檢測系統 107
3.4.8 實戰案例：基於深度學習的汽車追蹤系統 116
3.5 本章總結 129
第4章 路徑規劃與決策 131
4.1 Dijkstra路徑規劃 132
4.1.1 Dijkstra算法的背景與歷史 132
4.1.2 應用領域與典型場景 132
4.1.3 在機器人導航系統中的應用 133
4.2 A*算法路徑規劃 136
4.2.1 A*算法的背景與歷史 136
4.2.2 A*算法的原理和實現步驟 136
4.3 Bellman-Ford路徑規劃 140
4.3.1 Bellman-Ford算法的背景與歷史 140
4.3.2 負權邊的最短路徑問題 141
4.3.3 自動駕駛應用 143
4.3.4 實戰案例：尋找地圖中建築物之間的最短距離 146
4.4 Floyd-Warshall路徑規劃 153
4.4.1 Floyd-Warshall算法背景與歷史 153
4.4.2 城市交通規劃應用 154
4.5 Floyd算法簡介 157
4.5.1 Floyd算法的背景與歷史 157
4.5.2 Floyd算法的計算過程 158
4.6 D*路徑規劃 162
4.6.1 D*算法的背景和發展歷程 162
4.6.2 實戰案例：探險家的導航路線 162
4.7 本章總結 170
第5章 車輛和行人行為預測 171
5.1 基於馬爾可夫模型的行為預測 172
5.1.1 馬爾可夫模型介紹 172
5.1.2 使用馬爾可夫模型建模 172
5.2 基於規則驅動的行為預測 174
5.2.1 基於規則驅動的行為預測介紹 175
5.2.2 使用規則驅動的方法處理加速和減速模型 175
5.3 基於概率圖模型的行為預測 177
5.3.1 使用貝葉斯網絡預測車輛的加速狀態 178
5.3.2 擴展貝葉斯網絡 179
5.4 基於循環神經網絡(RNN)的行為預測 181
5.4.1 基於LSTM的車輛和行人行為預測 181
5.4.2 基於Social LSTM模型的行為預測 184
5.5 實戰案例：行人軌跡預測系統 184
5.5.1 構成模塊 184
5.5.2 工具函數 185
5.5.3 Social LSTM模型 194
5.5.4 網格離散化 196
5.5.5 訓練采樣 199
5.5.6 訓練模型 202
5.5.7 評估軌跡預測模型性能 209
5.5.8 驗證模型在真實數據上的性能 211
5.5.9 結論 218
5.6 本章總結 218
第6章 基於紅外傳感器的環境感知 219
6.1 紅外傳感器介紹 220
6.2 紅外傳感器與智能駕駛 220
6.2.1 實戰案例：障礙物檢測 221
6.2.2 實戰案例：紅外攝像機程序 223
6.2.3 實戰案例：溫度檢測程序 238
6.2.4 車速檢測 240
6.3 本章總結 255
第7章 基於超聲波傳感器的環境感知 257
7.1 超聲波傳感器介紹 258
7.1.1 超聲波傳感器的工作原理 258
7.1.2 超聲波傳感器在自動駕駛中的作用 258
7.2 超聲波傳感器應用實戰 259
7.2.1 實戰案例：簡易車距控制系統 259
7.2.2 實戰案例：測距應用 261
7.2.3 實戰案例：實時雷達監測系統 272
7.2.4 實戰案例：自主導航系統 276
7.2.5 實戰案例：超聲波測距系統 279
7.2.6 實戰案例：使用超聲波傳感器消除盲區 282
7.2.7 實戰案例：停車輔助系統 287
7.3 本章總結 290
第8章 基於SLAM的定位與地圖構建算法 291
8.1 SLAM介紹 292
8.1.1 SLAM的組成 292
8.1.2 SLAM的核心功能 292
8.1.3 Python中的位置定位和生成環境地圖的庫 293
8.2 FastSLAM算法 293
8.2.1 FastSLAM算法介紹 293
8.2.2 實戰案例：基於FastSLAM算法的實時仿真系統 294
8.3 Grid Mapping方法 312
8.3.1 實現Grid Mapping的步驟 313
8.3.2 實戰案例：基於ROS的激光雷達地圖生成系統 313
8.4 Grid-based FastSLAM算法 317
8.4.1 Grid-based FastSLAM算法介紹 317
8.4.2 實戰案例：基於Grid-based FastSLAM算法的導航系統 318
8.5 本章總結 335
第9章 構建實時地圖 337
9.1 OctoMap介紹 338
9.1.1 八叉樹和OctoMap 338
9.1.2 OctoMap在自動駕駛中的作用 338
9.1.3 實戰案例：基於OctoMap的三維地圖的路徑導航系統 339
9.2 使用Python庫 355
9.2.1 常用的第三方庫 355
9.2.2 實戰案例：基於第三方庫構建OctoMap 357
9.3 本章總結 364
第10章 基於深度學習的實時地圖導航系統 365
10.1 背景介紹 366
10.2 項目介紹 366
10.2.1 交叉視圖轉換器技術 367
10.2.2 功能模塊 367
10.3 數據集 368
10.3.1 nuScenes數據集 368
10.3.2 Argoverse 數據集 369
10.4 系統配置 369
10.4.1 配置訓練和實驗參數 370
10.4.2 生成數據集標簽 371
10.5 交叉視圖變換器 371
10.5.1 數據處理 372
10.5.2 模型組件 389
10.5.3 車道和車輛預測可視化 399
10.5.4 計算損失值 403
10.5.5 計算交並比 406
10.6 訓練模型 407
10.7 使用模型預測實時路徑 408
10.8 本章總結 411
