中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
從機器學習到無人駕駛 版權信息
- ISBN：9787302552154
- 條形碼：9787302552154 ; 978-7-302-55215-4
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
從機器學習到無人駕駛 本書特色
本書以機器學習為出發點，使用簡易的代碼講解機器學習的核心算法（深度神經網絡和強化學習），在算法學習的基礎上使用增量方法開發包含定位、預測、路徑規劃和業務控制等一系列自動駕駛模塊。本書代碼實例涉及自動駕駛的普遍業務方法，可使讀者理解自動駕駛背后的設計思想和原理，快速入門自動駕駛的算法和開發流程。 本書示例代碼豐富，涵蓋實際開發中所有的重要知識點，適合無人駕駛從業者、想要學習機器學習和無人駕駛的開發人員閱讀，也可用作培訓機構和高校相關專業的教學參考書。
從機器學習到無人駕駛 內容簡介
本書是自動駕駛方面的專著，自動駕駛需要開發人員了解車輛本身的包括運動、機械等方面的基礎知識，更需要了解不同傳感器的數據微觀特征，想要進入此領域的開發人員往往因為系統繁雜而不能很快掌握核心開發技術。
本書以機器學習為出發點，給想要進入此領域的初級開發人員搭建了一條從機器學習到無人駕駛的基礎學習路徑。本書結合近年來發展迅猛的機器學習算法（深度神經網絡、強化學習）詳細介紹了包含定位、預測、路徑規劃和車輛控制等一系列自動駕駛模塊。
全書通過核心代碼深入淺出地講解機器學習的核心算法，通過實例分析代碼本身的邏輯關系以及自動駕駛背后的設計思想和原理，利用開源機器學習和無人駕駛系統架構作為學習的背景藍圖，代碼實例涉及自動駕駛的普遍業務方法，力圖使讀者能夠通過實際操作快速入門和理解自動駕駛的算法和開發流程。
本書主要面向希望從事人工智能和智能駕駛工作的學生和工程師朋友。
從機器學習到無人駕駛 目錄
目 錄
**篇 機器學習基礎
第1章 機器學習與無人駕駛 1
1.1 機器學習簡介 1
1.1.1 機器學習 1
1.1.2 深度學習 5
1.1.3 強化學習 6
1.2 無人駕駛與機器學習 7
1.2.1 無人駕駛的歷史 7
1.2.2 為什么要在無人駕駛中應用機器學習 9
1.2.3 無人駕駛商業化的優勢 10
1.2.4 無人駕駛商業化的進展 11
參考文獻 13
第2章 TensorFlow基礎 15
2.1 機器學習主流框架簡介 15
2.2 TensorFlow開發環境搭建 19
2.2.1 基于Python語言框架的Virtualenv方案 19
2.2.2 基于應用容器化的Docker方案 23
2.3 Hello TensorFlow—一個簡單的例子 23
2.4 TensorFlow架構 26
2.4.1 TensorFlow架構概述 26
2.4.2 TensorFlow客戶端架構 27
2.4.3 TensorFlow分布式主服務架構 28
2.4.4 TensorFlow工作器服務架構 29
2.4.5 TensorFlow內核架構 30
2.5 TensorFlow核心API 30
2.5.1 TensorFlow低級API 31
2.5.2 TensorFlow高級API 35
2.6 擴展：使用tensorflow.js進行機器學習 38
參考文獻 40
第3章 線性回歸 41
3.1 什么是線性回歸 41
3.1.1 線性回歸的概念 41
3.1.2 線性回歸的歷史 42
3.1.3 線性回歸模型 42
3.2 線性回歸中的*小二乘法模型 43
3.3 *小二乘法模型實例 45
3.4 線性回歸的梯度下降模型 47
3.5 梯度下降模型實例 48
參考文獻 51
第4章 邏輯回歸 52
4.1 邏輯回歸簡介 52
4.2 邏輯回歸模型 54
4.3 泛邏輯回歸 55
4.4 實例：股價預測 56
參考文獻 64
第二篇 機器學習進階
第5章 神經網絡 65
5.1 神經元模型 65
5.1.1 神經網絡的靈感來源 65
5.1.2 感知器模型概述 66
5.2 單神經元模型實例 67
5.2.1 驗證碼概述 68
5.2.2 開發實例代碼詳解 69
5.3 激活函數 76
5.3.1 常用激活函數 76
5.3.2 Sigmoid函數 77
5.3.3 tanh函數 79
5.3.4 ReLU函數以及變式 79
5.4 全連接神經網絡模型 80
5.4.1 多層感知器神經網絡結構 80
5.4.2 BP算法 82
5.5 全連接神經網絡實例 82
參考文獻 84
第6章 卷積神經網絡 85
6.1 卷積神經網絡概述 85
6.1.1 卷積神經網絡架構 85
6.1.2 卷積操作 86
6.1.3 池化操作 87
6.1.4 卷積神經網絡的特點 88
6.2 實例1：驗證碼識別 89
6.2.1 神經網絡的具體設計 89
6.2.2 卷積過程分析 91
6.2.3 池化過程分析 92
6.2.4 完整學習過程分析 93
6.3 實例2：過擬合和欠擬合 95
6.3.1 下載 IMDB 數據集 96
6.3.2 構建模型 99
6.3.3 訓練模型 101
6.3.4 過擬合過程實踐 106
6.3.5 過擬合應對策略 115
參考文獻 120
第7章 循環神經網絡 121
7.1 循環神經網絡概述 121
7.1.1 時序數據 121
7.1.2 循環神經網絡模型 122
7.2 長短時記憶神經網絡架構 123
7.3 實例：仿寫西游記 126
7.3.1 文本的讀取和分段 126
7.3.2 循環神經網絡模型定義 130
7.3.3 模型訓練和結果分析 132
參考文獻 134
第8章 強化學習 136
8.1 強化學習概述 136
8.1.1 強化學習簡史 136
8.1.2 強化學習的特點 137
8.1.3 強化學習模型 138
8.1.4 強化學習分類 139
8.2 Q-Learning架構 140
8.2.1 Q-Learning數學模型 140
8.2.2 Q-Learning算法偽代碼 141
8.3 實例：貪吃蛇人工智能 142
8.3.1 Pygame框架 142
8.3.2 游戲功能實現 143
8.3.3 強化學習功能實現 151
參考文獻 160
第三篇 無人駕駛
第9章 無人駕駛系統 161
9.1 無人駕駛系統概述 161
9.1.1 環境感知概述 162
9.1.2 車輛定位概述 163
9.1.3 路徑規劃概述 164
9.1.4 車輛控制概述 164
9.2 Apollo簡介 165
9.2.1 Apollo架構概述 165
9.2.2 Apollo子系統交互關系 167
9.3 Apollo開發環境搭建 169
9.3.1 軟件系統代碼本地安裝 170
9.3.2 開發環境搭建中的注意事項 171
參考文獻 173
第10章 Cyber基礎 174
10.1 Cyber簡介（包括和ROS的對比） 174
10.1.1 什么是Apollo Cyber RT 174
10.1.2 ROS系統 175
10.1.3 Cyber RT的架構及核心軟件模塊分析 176
10.2 Cyber API和API Demo 177
10.2.1 Talker-Listener（簡單對話系統） 178
10.2.2 Cyber服務 181
10.2.3 日志類庫 188
10.2.4 Cyber模組 189
10.2.5 Timer計時器 194
10.2.6 時間（Time）類 195
10.2.7 Apollo記錄文件的讀寫操作 196
10.3 Apollo 模塊啟動源碼分析 199
10.3.1 Apollo模塊啟動流程 199
10.3.2 Apollo模塊注冊及動態創建 217
參考文獻 222
第11章 無人駕駛地圖技術 223
11.1 高精地圖 223
11.1.1 高精地圖在自動駕駛子系統中的應用 223
11.1.2 高精地圖的解決方案 224
11.1.3 OpenDrive地圖格式簡介 227
11.1.4 百度Apollo相關源代碼分析 234
11.2 PncMap 264
11.3 Relative Map模塊 281
參考文獻 303
第12章 無人駕駛定位技術 304
12.1 RTK定位技術 304
12.2 多傳感器融合定位技術 307
12.2.1 激光雷達簡介 307
12.2.2 擴展卡爾曼濾波原理 308
12.2.3 百度Apollo相關源碼分析 309
參考文獻 322
第13章 無人駕駛預測技術 323
13.1 預測模塊簡介 323
13.2 成本評估器：由一組成本函數計算概率 327
13.3 MLP評估器：用MLP模型計算概率 329
13.4 RNN評估器：用RNN模型計算概率 343
參考文獻 350 第14章 無人駕駛規劃策略 351
14.1 規劃模塊簡介 351
14.1.1 規劃業務流程分析 351
14.1.2 Frenet坐標系 352
14.1.3 路徑-速度解耦 352
14.1.4 三維軌跡生成Lattice 353
14.1.5 車輛狀態 353
14.2 路徑規劃 353
14.3 障礙物規劃 363
14.4 速度規劃 373
參考文獻 392
第15章 無人駕駛控制策略 394
15.1 車輛模型 394
15.1.1 運動學模型 394
15.1.2 動力學模型 396
15.2 PID控制算法 397
15.2.1 比例控制算法 397
15.2.2 積分控制算法 397
15.2.3 微分控制算法 398
15.2.4 百度Apollo相關源碼分析 398
15.3 MPC控制算法 408
15.3.1 MPC的控制原理 409
15.3.2 百度Apollo相關源碼分析 409
參考文獻 414
附錄A 強化學習：貪吃蛇AI完整游戲邏輯代碼 416
附錄B CyberRT系統核心API字典 423
第1章 機器學習與無人駕駛 1
1.1 機器學習簡介 1
1.1.1 機器學習 1
1.1.2 深度學習 5
1.1.3 強化學習 6
1.2 無人駕駛與機器學習 7
1.2.1 無人駕駛的歷史 7
1.2.2 為什么要在無人駕駛中應用機器學習 9
1.2.3 無人駕駛商業化的優勢 10
1.2.4 無人駕駛商業化的進展 11
參考文獻 13
第2章 TensorFlow基礎 15
2.1 機器學習主流框架簡介 15
2.2 TensorFlow開發環境搭建 19
2.2.1 基于Python語言框架的Virtualenv方案 19
2.2.2 基于應用容器化的Docker方案 23
2.3 Hello TensorFlow—一個簡單的例子 23
2.4 TensorFlow架構 26
2.4.1 TensorFlow架構概述 26
2.4.2 TensorFlow客戶端架構 27
2.4.3 TensorFlow分布式主服務架構 28
2.4.4 TensorFlow工作器服務架構 29
2.4.5 TensorFlow內核架構 30
2.5 TensorFlow核心API 30
2.5.1 TensorFlow低級API 31
2.5.2 TensorFlow高級API 35
2.6 擴展：使用tensorflow.js進行機器學習 38
參考文獻 40
第3章 線性回歸 41
3.1 什么是線性回歸 41
3.1.1 線性回歸的概念 41
3.1.2 線性回歸的歷史 42
3.1.3 線性回歸模型 42
3.2 線性回歸中的*小二乘法模型 43
3.3 *小二乘法模型實例 45
3.4 線性回歸的梯度下降模型 47
3.5 梯度下降模型實例 48
參考文獻 51
第4章 邏輯回歸 52
4.1 邏輯回歸簡介 52
4.2 邏輯回歸模型 54
4.3 泛邏輯回歸 55
4.4 實例：股價預測 56
參考文獻 64
第二篇 機器學習進階
第5章 神經網絡 65
5.1 神經元模型 65
5.1.1 神經網絡的靈感來源 65
5.1.2 感知器模型概述 66
5.2 單神經元模型實例 67
5.2.1 驗證碼概述 68
5.2.2 開發實例代碼詳解 69
5.3 激活函數 76
5.3.1 常用激活函數 76
5.3.2 Sigmoid函數 77
5.3.3 tanh函數 79
5.3.4 ReLU函數以及變式 79
5.4 全連接神經網絡模型 80
5.4.1 多層感知器神經網絡結構 80
5.4.2 BP算法 82
5.5 全連接神經網絡實例 82
參考文獻 84
第6章 卷積神經網絡 85
6.1 卷積神經網絡概述 85
6.1.1 卷積神經網絡架構 85
6.1.2 卷積操作 86
6.1.3 池化操作 87
6.1.4 卷積神經網絡的特點 88
6.2 實例1：驗證碼識別 89
6.2.1 神經網絡的具體設計 89
6.2.2 卷積過程分析 91
6.2.3 池化過程分析 92
6.2.4 完整學習過程分析 93
6.3 實例2：過擬合和欠擬合 95
6.3.1 下載 IMDB 數據集 96
6.3.2 構建模型 99
6.3.3 訓練模型 101
6.3.4 過擬合過程實踐 106
6.3.5 過擬合應對策略 115
參考文獻 120
第7章 循環神經網絡 121
7.1 循環神經網絡概述 121
7.1.1 時序數據 121
7.1.2 循環神經網絡模型 122
7.2 長短時記憶神經網絡架構 123
7.3 實例：仿寫西游記 126
7.3.1 文本的讀取和分段 126
7.3.2 循環神經網絡模型定義 130
7.3.3 模型訓練和結果分析 132
參考文獻 134
第8章 強化學習 136
8.1 強化學習概述 136
8.1.1 強化學習簡史 136
8.1.2 強化學習的特點 137
8.1.3 強化學習模型 138
8.1.4 強化學習分類 139
8.2 Q-Learning架構 140
8.2.1 Q-Learning數學模型 140
8.2.2 Q-Learning算法偽代碼 141
8.3 實例：貪吃蛇人工智能 142
8.3.1 Pygame框架 142
8.3.2 游戲功能實現 143
8.3.3 強化學習功能實現 151
參考文獻 160
第三篇 無人駕駛
第9章 無人駕駛系統 161
9.1 無人駕駛系統概述 161
9.1.1 環境感知概述 162
9.1.2 車輛定位概述 163
9.1.3 路徑規劃概述 164
9.1.4 車輛控制概述 164
9.2 Apollo簡介 165
9.2.1 Apollo架構概述 165
9.2.2 Apollo子系統交互關系 167
9.3 Apollo開發環境搭建 169
9.3.1 軟件系統代碼本地安裝 170
9.3.2 開發環境搭建中的注意事項 171
參考文獻 173
第10章 Cyber基礎 174
10.1 Cyber簡介（包括和ROS的對比） 174
10.1.1 什么是Apollo Cyber RT 174
10.1.2 ROS系統 175
10.1.3 Cyber RT的架構及核心軟件模塊分析 176
10.2 Cyber API和API Demo 177
10.2.1 Talker-Listener（簡單對話系統） 178
10.2.2 Cyber服務 181
10.2.3 日志類庫 188
10.2.4 Cyber模組 189
10.2.5 Timer計時器 194
10.2.6 時間（Time）類 195
10.2.7 Apollo記錄文件的讀寫操作 196
10.3 Apollo 模塊啟動源碼分析 199
10.3.1 Apollo模塊啟動流程 199
10.3.2 Apollo模塊注冊及動態創建 217
參考文獻 222
第11章 無人駕駛地圖技術 223
11.1 高精地圖 223
11.1.1 高精地圖在自動駕駛子系統中的應用 223
11.1.2 高精地圖的解決方案 224
11.1.3 OpenDrive地圖格式簡介 227
11.1.4 百度Apollo相關源代碼分析 234
11.2 PncMap 264
11.3 Relative Map模塊 281
參考文獻 303
第12章 無人駕駛定位技術 304
12.1 RTK定位技術 304
12.2 多傳感器融合定位技術 307
12.2.1 激光雷達簡介 307
12.2.2 擴展卡爾曼濾波原理 308
12.2.3 百度Apollo相關源碼分析 309
參考文獻 322
第13章 無人駕駛預測技術 323
13.1 預測模塊簡介 323
13.2 成本評估器：由一組成本函數計算概率 327
13.3 MLP評估器：用MLP模型計算概率 329
13.4 RNN評估器：用RNN模型計算概率 343
參考文獻 350 第14章 無人駕駛規劃策略 351
14.1 規劃模塊簡介 351
14.1.1 規劃業務流程分析 351
14.1.2 Frenet坐標系 352
14.1.3 路徑-速度解耦 352
14.1.4 三維軌跡生成Lattice 353
14.1.5 車輛狀態 353
14.2 路徑規劃 353
14.3 障礙物規劃 363
14.4 速度規劃 373
參考文獻 392
第15章 無人駕駛控制策略 394
15.1 車輛模型 394
15.1.1 運動學模型 394
15.1.2 動力學模型 396
15.2 PID控制算法 397
15.2.1 比例控制算法 397
15.2.2 積分控制算法 397
15.2.3 微分控制算法 398
15.2.4 百度Apollo相關源碼分析 398
15.3 MPC控制算法 408
15.3.1 MPC的控制原理 409
15.3.2 百度Apollo相關源碼分析 409
參考文獻 414
附錄A 強化學習：貪吃蛇AI完整游戲邏輯代碼 416
附錄B CyberRT系統核心API字典 423
展開全部
從機器學習到無人駕駛 作者簡介
宋哲賢，多年互聯網和機器學習開發經歷，在著名車企從事車輛智能化算法架構研發，對于人工智能應用有較強的實踐經驗，目前專注于遷移學習的工程化實踐。
慕課網高級講師，熱愛分享，開發多門人工智能的入門和進階課程，擅長實例的類比講解。
獲得車輛智能化國家專利1項。
書友推薦
- >
我從未如此眷戀人間
- >
莉莉和章魚
- >
巴金－再思錄
- >
推拿
- >
名家帶你讀魯迅:朝花夕拾
- >
苦雨齋序跋文-周作人自編集
- >
經典常談
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
本類暢銷
