《无人驾驶原理与实践》配书资源

无人驾驶系统涉及的技术面非常广泛，内容繁多，种类多跨度大。现阶段而言，实现无人驾驶系统主要有两种思路：一是传统的机器人学的思路，另一种是采用深度学习的方法。这两类技术都在不断地发展，汽车公司和科技公司的无人驾驶汽车系统也往往融合了这两类技术。本书将综合这两类技术，为读者从原理到实践详细讲解应用于无人驾驶汽车系统的关键技术，为意图入门无人驾驶汽车领域的读者打好基础。阅读完本书，读者将有能力进入无人驾驶汽车这一前沿领域，进行更加深入的探索。

封面图

目录

• 本书赞誉
• 序
• 前言
• 教学建议
• 第1章初识无人驾驶系统
• 11什么是无人驾驶
• 111无人驾驶的分级标准
• 112无人驾驶到底有多难
• 12为什么需要无人驾驶
• 121提高道路交通安全
• 122缓解城市交通拥堵
• 123提升出行效率
• 124降低驾驶者的门槛
• 13无人驾驶系统的基本框架
• 131环境感知
• 132定位
• 133任务规划
• 134行为规划
• 135动作规划
• 136控制系统
• 137小结
• 14开发环境配置
• 141简单环境安装
• 142ROS安装
• 143OpenCV安装
• 15本章参考文献
• 第2章ROS入门
• 21ROS简介
• 211ROS是什么
• 212ROS的历史
• 213ROS的特性
• 22ROS的核心概念
• 23catkin创建系统
• 24ROS中的项目组织结构
• 25基于Husky模拟器的实践
• 26ROS的基本编程
• 261ROS C++编程
• 262编写简单的发布和订阅程序
• 263ROS中的参数服务
• 264基于Husky机器人的小案例
• 27ROS Service
• 28ROS Action
• 29ROS中的常用工具
• 291Rviz
• 292rqt
• 293TF坐标转换系统
• 294URDF和SDF
• 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31NDT算法介绍
• 332NDT算法的基本步骤
• 333NDT算法的优点
• 334NDT算法实例
• 34基于GPS+惯性组合导航的定位系统
• 341定位原理
• 342不同传感器的定位融合实现
• 35基于SLAM的定位系统
• 351SLAM定位原理
• 352SLAM应用
• 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11背景知识
• 412卡尔曼滤波
• 413卡尔曼滤波在无人驾驶汽车感知模块中的应用
• 42高级运动模型和扩展卡尔曼滤波
• 421应用于车辆追踪的高级运动模型
• 422扩展卡尔曼滤波
• 43无损卡尔曼滤波
• 431运动模型
• 432非线性过程模型和测量模型
• 433无损变换
• 434预测
• 435测量更新
• 436小结
• 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21经验风险最小化
• 522模型、过拟合和欠拟合
• 523“一定的算法”——梯度下降算法
• 524小结
• 53神经网络基础
• 531神经网络基本结构
• 532无限容量——拟合任意函数
• 533前向传播
• 534随机梯度下降
• 54使用Keras实现神经网络
• 541数据准备
• 542三层网络的小变动——深度前馈神经网络
• 543小结
• 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11大数据下的模型训练效率
• 612表示学习
• 62应用于深度神经网络的正则化技术
• 621数据集增强
• 622提前终止
• 623参数范数惩罚
• 624Dropout技术
• 63实战——交通标志识别
• 631BelgiumTS 数据集
• 632数据预处理
• 633使用Keras构造并训练深度前馈网络
• 64卷积神经网络入门
• 641什么是卷积以及卷积的动机
• 642稀疏交互
• 643参数共享
• 644等变表示
• 645卷积神经网络
• 646卷积的一些细节
• 65基于YOLO的车辆检测
• 651预训练分类网络
• 652训练检测网络
• 653YOLO的损失函数
• 654测试
• 655基于YOLO的车辆和行人检测
• 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31模拟器的选择
• 732数据采集和处理
• 733深度神经网络模型构建
• 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无人车路径规划和A*算法
• 811有向图
• 812广度优先搜索算法
• 813涉及的数据结构
• 814如何生成路线
• 815有方向地进行搜索（启发式）
• 816Dijkstra算法
• 817A*算法
• 82分层有限状态机和无人车行为规划
• 821无人车决策规划系统设计准则
• 822有限状态机
• 823分层有限状态机
• 824状态机在行为规划中的使用
• 83基于自由边界三次样条插值的无人车路径生成
• 831三次样条插值
• 832三次样条插值算法
• 833使用Python实现三次样条插值进行路径生成
• 84基于Frenet优化轨迹的无人车动作规划方法
• 841为什么使用Frenet坐标系
• 842Jerk最小化和5次轨迹多项式求解
• 843碰撞避免
• 844基于Frenet优化轨迹的无人车动作规划实例
• 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11自行车模型
• 912运动学自行车模型
• 913动力学自行车模型
• 92无人车控制入门
• 921为什么需要控制理论
• 922PID控制
• 93基于运动学模型的模型预测控制
• 931将PID控制应用于转向控制存在的问题
• 932预测模型
• 933在线滚动优化
• 934反馈校正
• 94轨迹追踪
• 95本章参考文献
• 第10章深度强化学习及其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21马尔可夫决策过程
• 1022强化学习的目标及智能体的要素
• 1023值函数
• 103近似价值函数
• 104深度Q值网络算法
• 1041Q_Learning算法
• 1042DQN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61TORCS游戏简介
• 1062TORCS游戏环境安装
• 1063深度确定性策略梯度算法
• 107本章小结
• 108本章参考文献