无人驾驶原理与实践

arui1999

无人驾驶原理与实践 [复制链接]

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；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。

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
2.1ROS简介
2.2ROS中的概念
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
2.7ROSservices
2.8ROSAction
2.9ROS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无人车路径规划和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