掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
基于AI與機器人技術的自動駕駛技術 版權信息
- ISBN：9787030752635
- 條形碼：9787030752635 ; 978-7-03-075263-5
- 裝幀：平裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
基于AI與機器人技術的自動駕駛技術 本書特色
本書立足前沿科技，服務技術一線，內容實用，是自動駕駛領域不可多得的參考書。
基于AI與機器人技術的自動駕駛技術 內容簡介
本書由活躍于自動駕駛各個領域的專家執筆，講解*前沿的自動駕駛技術。前半部分在介紹自動駕駛技術的基礎上，講解自動駕駛的各項功能，包括環境識別和預測，地圖生成和自車定位，自動駕駛車輛的決策，縱橫方向的車輛運動控制，多車協同控制，自動駕駛技術的開發工具。后半部分重點講解深度學習和深度強化學習，以及深度學習的技能。
基于AI與機器人技術的自動駕駛技術 目錄
目錄第1章 自動駕駛技術概述 11.1 自動駕駛的整體流程 31.1.1 機動車的使用目的和自動駕駛 31.1.2 自動駕駛功能的子系統 41.1.3 自動駕駛系統的工作流程 81.2 自動駕駛的硬件結構 91.2.1 用于環境識別的外部傳感器 91.2.2 GNSS 101.2.3 地圖上的自車定位與地圖更新 111.2.4 駕駛員監控技術 121.2.5 硬件結構 131.3 確保自動駕駛的安全性和可靠性 141.3.1 系統的功能安全策略 141.3.2 自動駕駛的可靠性保障 151.4 實現全自動駕駛面臨的問題 181.4.1 自動駕駛與道路交通環境 181.4.2 自動駕駛及其社會接受度 191.4.3 人工智能在自動駕駛中的必要性和面臨的問題 191.4.4 問題總結 21第2章 環境識別和預測 232.1 手工提取特征量的環境識別 252.1.1 探測行人和車輛 252.1.2 手工提取特征量的優勢 272.2 深度學習的環境識別 272.2.1 探測行人和車輛 282.2.2 語義分割 292.2.3 深度學習的環境識別問題 302.3 行人的路徑預測 302.3.1 基于貝葉斯模型的方法 312.3.2 基于深度學習的方法 322.3.3 RNN和LSTM 322.3.4 基于LSTM的方法 342.3.5 考慮到行人交互的路徑預測 372.4 其他車輛的路徑預測 392.4.1 概述 392.4.2 考慮移動體間相互影響的預測 412.4.3 生成多種候選的預測 412.5 深度學習模型的壓縮 432.5.1 剪枝與量化 442.5.2 矩陣分解 462.5.3 知識蒸餾 472.5.4 網絡結構搜索 47第3章 地圖生成和自車定位 493.1 自動駕駛中的地圖和自車定位的作用 513.2 高精地圖 513.2.1 點云地圖 523.2.2 矢量地圖 533.3 點云地圖的生成方法 533.3.1 MMS 543.3.2 SLAM 553.4 矢量地圖的生成方法 603.5 用地圖進行自車定位 613.5.1 通過三維點云和LiDAR進行自車定位 613.5.2 其他方法 623.5.3 傳感器協調合作 633.6 應用衛星定位的自車定位 643.6.1 應用衛星定位和RTK-GNSS的厘米級自車定位 653.6.2 衛星定位與IMU協調合作，實現更加穩健的自車定位 68第4章 自動駕駛車輛的決策 714.1 決策概述 734.2 路徑規劃 744.3 運動規劃 794.3.1 運動規劃的輸入 804.3.2 運動規劃的處理流程 814.3.3 參考狀態遷移圖的運動規劃 824.3.4 采用學習行為的運動規劃 834.4 軌跡生成 874.4.1 軌跡生成模塊的輸入 874.4.2 軌跡生成的處理 884.4.3 不采用學習行為的軌跡生成 904.4.4 采用學習行為的軌跡生成 934.5 決策功能的實用化 954.5.1 決策功能的開發情況 964.5.2 深度學習在決策功能中的應用問題 964.5.3 提高安全性 97第5章 縱橫方向的車輛運動控制 995.1 自動駕駛系統和ADAS的關系 1015.2 ADAS技術 1045.2.1 縱向車輛運動控制 1045.2.2 橫向車輛運動控制 1055.2.3 縱橫兩個方向的車輛運動控制 1065.3 自動駕駛系統的控制技術 1065.3.1 車輛模型 1075.3.2 PID控制 1095.3.3 純追蹤算法 1115.3.4 模型預測控制 1135.4 控制系統的設計及性能評價 1195.4.1 控制系統的調節 1195.4.2 與感知系統評價方法的不同 1215.4.3 形式模型的安全性評價 1225.5 深度學習在車輛運動控制中的應用探究 1265.5.1 神經網絡PID 1265.5.2 端到端（End-to-End）自動駕駛及其面臨的問題 131第6章 多車協同控制 1336.1 互讓 1356.1.1 互讓概述 1356.1.2 相關研究 1366.1.3 遙控汽車實驗示例 1376.1.4 遙控汽車通過DQN互讓的示例 1406.2 列隊行駛 1456.2.1 列隊行駛的概要及效果 1456.2.2 前后方向的控制 1466.2.3 左右方向的控制 1476.2.4 列隊行駛控制示例 148第7章 自動駕駛技術的開發工具 1537.1 環境識別、自車定位數據集 1557.1.1 數據集 1557.1.2 KITTI 數據集 1557.1.3 數據集的陷阱 1587.2 地圖（HD地圖） 1587.2.1 OpenDRIVE 1587.2.2 Lanelet2 1597.3 自動駕駛平臺 1607.3.1 Autoware的整體情況和深度學習的相關功能 1617.3.2 Apollo的整體情況和深度學習的相關功能 1627.3.3 Autoware和Apollo的比較和尚待解決的問題 1637.4 自動駕駛模擬器 1647.4.1 免費模擬器示例 1657.4.2 免費模擬器比較 166第8章 深度學習的基礎 1678.1 機器學習、深度學習 1698.1.1 機器學習概述 1698.1.2 深度學習的必要性 1708.2 神經網絡的基本結構 1728.2.1 輸入層 1748.2.2 隱藏層 1748.2.3 輸出層 1798.3 神經網絡的學習方法 1808.3.1 損失函數 1818.3.2 概率性梯度下降法 1848.3.3 誤差反向傳播法 1878.3.4 其他技術 192第9章 深度強化學習 1979.1 深度強化學習概述 1999.2 強化學習的概述、方法和深度強化學習擴展 2039.2.1 強化學習的基礎 2039.2.2 強化學習和函數擬合 2079.3 基于價值的方法 2099.3.1 DQN 2099.3.2 DQN的改良 2119.3.3 強化學習的問題及其改善方案 2139.4 基于策略的方法 2189.4.1 策略梯度法 2199.4.2 蒙特卡羅策略梯度法 2219.4.3 引入Actor-Critic的策略梯度法 2229.4.4 優勢函數 2239.4.5 策略梯度法的發展 2249.4.6 總結 2319.5 獎勵設計 2329.5.1 逆向強化學習的基本算法 2339.5.2 不適定問題（獎勵優化） 2369.5.3 計算量問題（估測獎勵更新的效率化） 2399.5.4 引入先驗知識 2459.5.5 總結 247第10章 深度學習的技能 24910.1 深度學習和調整 25110.2 深度學習的設計方針 25310.2.1 輸入數據的選擇 25310.2.2 中間層的選擇 25310.3 以全連接網絡為例講解調整方法 25510.3.1 學習率和優化算法 25610.3.2 激活函數和正則化 25610.3.3 樣本數和收斂性 25610.3.4 制作學習數據的技能 25810.3.5 學習曲線 25810.3.6 總結 26110.4 深度學習資料庫的比較 26110.4.1 實現比較 26210.4.2 各種深度學習資料庫 262參考文獻 277結語 291
展開全部
書友推薦
- >
小考拉的故事-套裝共3冊
- >
二體千字文
- >
詩經-先民的歌唱
- >
唐代進士錄
- >
推拿
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
李白與唐代文化
- >
姑媽的寶刀
本類暢銷
