无人驾驶原理与实践

定　价：¥69.00

作　者：	申泽邦，雍宾宾，周庆国，李良，李冠憬著
出版社：	机械工业出版社
丛编项：
标　签：	暂缺

购买这本书可以去

京东 (¥69.00)

ISBN：	9787111614999	出版时间：	2019-01-01	包装：	平装
开本：	16开	页数：		字数：

内容简介

　　无人驾驶是人工智能热潮中极具发展潜力的应用场景，也是一个综合了多个学科的应用领域，涵盖机器人学、自动化控制、机器学习、机器视觉、移动通信、智能交通、车辆工程等诸多学科。本书旨在通过深入浅出的方式系统展现无人驾驶理论，并通过简单易上手的实例帮助读者实现技术入门。本书作者包括国内一线无人驾驶科研团队负责人、一线新能源汽车厂商无人驾驶技术专家，他们对无人驾驶整个技术栈有着全面深入的研究，同时拥有大量工业应用实践。通过本书，读者将系统学习并实战无人驾驶软件系统的感知、规划和控制基础算法；掌握ROS编程，学习并实践多传感器融合方法；学习机器学习、深度学习和强化学习等人工智能方法在无人驾驶中的应用；读者还将初步了解更接近工业应用的复杂方法。本书适合希望进入无人驾驶汽车行业的技术人员和高校学生作为技术入门书籍，亦可作为无人驾驶应用研究的工具书籍。

作者简介

　　申泽邦兰州大学RockAuto智能驾驶组创始人、负责人。研究方向包括无人驾驶，高级辅助驾驶，机器人学和深度学习。自动驾驶全栈工程师，CSDN博客专家。雍宾宾兰州大学信息科学与工程学院博士后，目前主要从事机器学习、神经网络和高性能计算领域的研究。周庆国兰州大学教授，博士生导师，国际电气工程师学会会士，教育部新世纪人才基金获得者，兰州大学开源软件与实时系统教育部工程研究中心副主任，兰州大学分布式与嵌入式系统实验室主任。目前主要从事安全关键系统、嵌入式系统、实时系统、虚拟化技术的研究。已在国内外学术期刊上发表论文111篇，其中SCI 28篇，EI30篇，获得两项发明专利授权。李良小鹏汽车自动驾驶算法专家，Udacity无人驾驶纳米学位Mentor和Reviewer，专注机器人/无人驾驶行业多年，现主要从事自动驾驶算法技术及系统研究，以及深度学习、人工智能技术在汽车硬件上的商业落地实现。拥有多篇技术发明专利。李冠憬博士研究生导师，静宜大学特聘教授兼校长特別助理，国际工程技术学会（IET）会士、IEEE高级会员、美国科学促进会（AAAS）会员。参与过多个国际重要会议指导委员会，同时也是多数据库收录（包含副SCI、EI、SCOPUS）之知名国际学术期刊的主编与多个国际知名期刊、国际会议的委员。主要从事并行、分布式、GPU、雾和云计算及大数据方面的研究，已发表250多篇国际期刊论文与国际会议论文，著作和编辑了20余本专著。

图书目录

第1章初识无人驾驶系统
1.1 什么是无人驾驶
1.2 为什么需要无人驾驶
1.3 无人驾驶系统基本框架
1.4 开发环境配置
1.5 本章参考文献
第2章 ROS入门
2.1 ROS简介
2.2 ROS中的概念
2.3 catkin 创建系统
2.4 ROS中的项目组织结构
2.5 基于Husky模拟器的实践
2.6 ROS的基本编程
2.7 ROS services
2.8 ROS Action
2.9 ROS中的常用工具
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
3.4 基于GPS+惯性组合导航的定位系统
3.5 基于Slam的定位系统
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
4.2 高级运动模型和扩展卡尔曼滤波
4.3 无损卡尔曼滤波
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
5.3 神经网络基础
5.4 使用Keras实现神经网络
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？
6.2 应用于深度神经网络的正则化技术
6.3 实战——交通标志识别
6.4 卷积神经网络入门
6.5 基于YOLO2的车辆检测
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
7.4 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 A* 算法
8.2 分层有限状态机和无人车行为规划
8.3 基于自由边界三次样条插值的无人车路径生成
8.4 基于Frenet优化轨迹的无人车动作规划方法
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
9.2 无人车控制入门
9.3 基于运动学模型的模型预测控制
9.4 轨迹追踪
9.5 本章参考文献
第10章深度强化学习及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
10.3 近似价值函数
10.4 深度Q值网络算法
10.5 策略梯度
10.6 深度确定性策略梯度及TORCS游戏的控制
10.7 本章小结
10.8 本章参考文献