无人驾驶原理与实践PDF|Epub|txt|kindle电子书版本网盘下载

无人驾驶原理与实践PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 初识无人驾驶系统1

1.1什么是无人驾驶1

1.1.1无人驾驶的分级标准2

1.1.2无人驾驶到底有多难3

1.2为什么需要无人驾驶5

1.2.1提高道路交通安全5

1.2.2缓解城市交通拥堵6

1.2.3提升出行效率6

1.2.4降低驾驶者的门槛6

1.3无人驾驶系统的基本框架7

1.3.1环境感知8

1.3.2定位10

1.3.3任务规划11

1.3.4行为规划12

1.3.5动作规划13

1.3.6控制系统15

1.3.7小结16

1.4开发环境配置17

1.4.1简单环境安装17

1.4.2 ROS安装18

1.4.3 OpenCV安装19

1.5本章参考文献19

第2章ROS入门21

2.1 ROS简介21

2.1.1 ROS是什么21

2.1.2 ROS的历史22

2.1.3 ROS的特性22

2.2 ROS的核心概念22

2.3 catkin创建系统25

2.4 ROS中的项目组织结构26

2.5基于Husky模拟器的实践27

2.6 ROS的基本编程30

2.6.1 ROS C+++编程30

2.6.2编写简单的发布和订阅程序32

2.6.3 ROS中的参数服务34

2.6.4基于Husky机器人的小案例35

2.7 ROS Service39

2.8 ROS Action42

2.9 ROS中的常用工具43

2.9.1 Rviz43

2.9.2 rqt44

2.9.3 TF坐标转换系统45

2.9.4 URDF和SDF46

2.10本章参考文献47

第3章 无人驾驶系统的定位方法48

3.1实现定位的原理49

3.2迭代最近点算法50

3.3正态分布变换53

3.3.1 NDT算法介绍54

3.3.2 NDT算法的基本步骤55

3.3.3 NDT算法的优点55

3.3.4 NDT算法实例57

3.4基于GPS＋惯性组合导航的定位系统60

3.4.1定位原理61

3.4.2不同传感器的定位融合实现63

3.5基于SLAM的定位系统64

3.5.1 SLAM定位原理65

3.5.2 SLAM应用67

3.6本章参考文献69

第4章 状态估计和传感器融合70

4.1卡尔曼滤波和状态估计70

4.1.1背景知识70

4.1.2卡尔曼滤波71

4.1.3卡尔曼滤波在无人驾驶汽车感知模块中的应用74

4.2高级运动模型和扩展卡尔曼滤波83

4.2.1应用于车辆追踪的高级运动模型83

4.2.2扩展卡尔曼滤波85

4.3无损卡尔曼滤波97

4.3.1运动模型98

4.3.2非线性过程模型和测量模型99

4.3.3无损变换99

4.3.4预测100

4.3.5 测量更新101

4.3.6小结103

4.4本章参考文献103

第5章 机器学习和神经网络基础104

5.1机器学习基本概念105

5.2监督学习107

5.2.1经验风险最小化107

5.2.2模型、过拟合和欠拟合108

5.2.3“一定的算法”——梯度下降算法110

5.2.4小结111

5.3神经网络基础111

5.3.1神经网络基本结构112

5.3.2无限容量——拟合任意函数114

5.3.3前向传播115

5.3.4随机梯度下降117

5.4使用Keras实现神经网络118

5.4.1数据准备118

5.4.2三层网络的小变动——深度前馈神经网络122

5.4.3小结125

5.5本章参考文献125

第6章 深度学习和无人驾驶视觉感知126

6.1深度前馈神经网络——为什么要深126

6.1.1大数据下的模型训练效率126

6.1.2表示学习127

6.2应用于深度神经网络的正则化技术128

6.2.1数据集增强129

6.2.2提前终止130

6.2.3参数范数惩罚130

6.2.4 Dropout技术132

6.3实战——交通标志识别133

6.3.1 BelgiumTS数据集134

6.3.2数据预处理138

6.3.3使用Keras构造并训练深度前馈网络139

6.4卷积神经网络入门142

6.4.1什么是卷积以及卷积的动机142

6.4.2稀疏交互143

6.4.3参数共享145

6.4.4等变表示145

6.4.5卷积神经网络145

6.4.6卷积的一些细节147

6.5基于YOLO的车辆检测148

6.5.1预训练分类网络150

6.5.2训练检测网络150

6.5.3 YOLO的损失函数150

6.5.4测试151

6.5.5基于YOLO的车辆和行人检测151

6.6本章参考文献155

第7章 迁移学习和端到端无人驾驶156

7.1迁移学习156

7.2端到端无人驾驶158

7.3端到端无人驾驶模拟158

7.3.1模拟器的选择159

7.3.2数据采集和处理159

7.3.3深度神经网络模型构建160

7.4本章小结164

7.5本章参考文献165

第8章 无人驾驶规划入门166

8.1无人车路径规划和A算法166

8.1.1有向图167

8.1.2广度优先搜索算法167

8.1.3涉及的数据结构169

8.1.4如何生成路线170

8.1.5有方向地进行搜索（启发式）170

8.1.6 Dijkstra算法172

8.1.7 A算法172

8.2分层有限状态机和无人车行为规划173

8.2.1无人车决策规划系统设计准则174

8.2.2有限状态机174

8.2.3分层有限状态机176

8.2.4状态机在行为规划中的使用176

8.3基于自由边界三次样条插值的无人车路径生成178

8.3.1三次样条插值179

8.3.2三次样条插值算法182

8.3.3使用Python实现三次样条插值进行路径生成184

8.4基于Frenet优化轨迹的无人车 动作规划方法186

8.4.1为什么使用Frenet坐标系187

8.4.2 Jerk最小化和5次轨迹多项式求解188

8.4.3 碰撞避免192

8.4.4基于Frenet优化轨迹的无人车动作规划实例192

8.5本章参考文献197

第9章 车辆模型和高级控制198

9.1运动学自行车模型和动力学自行车模型198

9.1.1自行车模型199

9.1.2运动学自行车模型199

9.1.3动力学自行车模型200

9.2无人车控制入门201

9.2.1为什么需要控制理论201

9.2.2 PID控制202

9.3基于运动学模型的模型预测控制210

9.3.1将PID控制应用于转向控制存在的问题210

9.3.2预测模型211

9.3.3在线滚动优化212

9.3.4反馈校正213

9.4轨迹追踪214

9.5本章参考文献220

第10章 深度强化学习及其在自动驾驶中的应用221

10.1强化学习概述221

10.2强化学习原理及过程222

10.2.1马尔可夫决策过程222

10.2.2强化学习的目标及智能体的要素223

10.2.3值函数224

10.3近似价值函数225

10.4深度Q值网络算法226

10.4.1 Q_ Learning算法226

10.4.2 DQN算法227

10.5策略梯度229

10.6深度确定性策略梯度及TORCS游戏的控制230

10.6.1 TORCS游戏简介230

10.6.2 TORCS游戏环境安装230

10.6.3深度确定性策略梯度算法232

10.7本章小结235

10.8本章参考文献235