量子通信的一些相关原理(量子通信是利用)
601
2022-05-30
无人驾驶原理与实践
申泽邦 雍宾宾 周庆国 李良 李冠憬 编著
Praise本书赞誉
Foreword序
前言Preface
申泽邦周庆国
2018年9月
目录Contents
前言
教学建议
第1章初识无人驾驶系统
11什么是无人驾驶
111无人驾驶的分级标准
112无人驾驶到底有多难
12为什么需要无人驾驶
121提高道路交通安全
122缓解城市交通拥堵
123提升出行效率
124降低驾驶者的门槛
13无人驾驶系统的基本框架
131环境感知
132定位
133任务规划
134行为规划
135动作规划
136控制系统
137小结
14开发环境配置
141简单环境安装
142ROS安装
143OpenCV安装
15本章参考文献
第2章ROS入门
21ROS简介
211ROS是什么
212ROS的历史
213ROS的特性
22ROS的核心概念
23catkin创建系统
24ROS中的项目组织结构
25基于Husky模拟器的实践
26ROS的基本编程
261ROS C++编程
262编写简单的发布和订阅程序
263ROS中的参数服务
264基于Husky机器人的小案例
27ROS Service
28ROS Action
29ROS中的常用工具
291Rviz
292rqt
293TF坐标转换系统
294URDF和SDF
210本章参考文献
第3章无人驾驶系统的定位方法
31实现定位的原理
32迭代最近点算法
33正态分布变换
331NDT算法介绍
332NDT算法的基本步骤
333NDT算法的优点
334NDT算法实例
34基于GPS+惯性组合导航的定位系统
341定位原理
342不同传感器的定位融合实现
35基于SLAM的定位系统
351SLAM定位原理
352SLAM应用
36本章参考文献
第4章状态估计和传感器融合
41卡尔曼滤波和状态估计
411背景知识
412卡尔曼滤波
413卡尔曼滤波在无人驾驶汽车感知模块中的应用
42高级运动模型和扩展卡尔曼滤波
421应用于车辆追踪的高级运动模型
422扩展卡尔曼滤波
43无损卡尔曼滤波
431运动模型
432非线性过程模型和测量模型
433无损变换
434预测
435测量更新
436小结
44本章参考文献
第5章机器学习和神经网络基础
51机器学习基本概念
52监督学习
521经验风险最小化
522模型、过拟合和欠拟合
523“一定的算法”——梯度下降算法
524小结
53神经网络基础
531神经网络基本结构
532无限容量——拟合任意函数
533前向传播
534随机梯度下降
54使用Keras实现神经网络
541数据准备
542三层网络的小变动——深度前馈神经网络
543小结
55本章参考文献
第6章深度学习和无人驾驶视觉感知
61深度前馈神经网络——为什么要深
611大数据下的模型训练效率
612表示学习
62应用于深度神经网络的正则化技术
621数据集增强
622提前终止
623参数范数惩罚
624Dropout技术
63实战——交通标志识别
631BelgiumTS 数据集
632数据预处理
633使用Keras构造并训练深度前馈网络
64卷积神经网络入门
641什么是卷积以及卷积的动机
642稀疏交互
643参数共享
644等变表示
645卷积神经网络
646卷积的一些细节
65基于YOLO的车辆检测
651预训练分类网络
652训练检测网络
653YOLO的损失函数
654测试
655基于YOLO的车辆和行人检测
66本章参考文献
第7章迁移学习和端到端无人驾驶
71迁移学习
72端到端无人驾驶
73端到端无人驾驶模拟
731模拟器的选择
732数据采集和处理
733深度神经网络模型构建
74本章小结
75本章参考文献
第8章无人驾驶规划入门
81无人车路径规划和A*算法
811有向图
812广度优先搜索算法
813涉及的数据结构
814如何生成路线
815有方向地进行搜索(启发式)
816Dijkstra算法
817A*算法
82分层有限状态机和无人车行为规划
821无人车决策规划系统设计准则
822有限状态机
823分层有限状态机
824状态机在行为规划中的使用
83基于自由边界三次样条插值的无人车路径生成
831三次样条插值
832三次样条插值算法
833使用Python实现三次样条插值进行路径生成
84基于Frenet优化轨迹的无人车动作规划方法
841为什么使用Frenet坐标系
842Jerk最小化和5次轨迹多项式求解
843碰撞避免
844基于Frenet优化轨迹的无人车动作规划实例
85本章参考文献
第9章车辆模型和高级控制
91运动学自行车模型和动力学自行车模型
911自行车模型
912运动学自行车模型
913动力学自行车模型
92无人车控制入门
921为什么需要控制理论
922PID控制
93基于运动学模型的模型预测控制
931将PID控制应用于转向控制存在的问题
932预测模型
933在线滚动优化
934反馈校正
94轨迹追踪
95本章参考文献
第10章深度强化学习及其在自动驾驶中的应用
101强化学习概述
102强化学习原理及过程
1021马尔可夫决策过程
1022强化学习的目标及智能体的要素
1023值函数
103近似价值函数
104深度Q值网络算法
1041Q_Learning算法
1042DQN算法
105策略梯度
106深度确定性策略梯度及TORCS游戏的控制
1061TORCS游戏简介
1062TORCS游戏环境安装
1063深度确定性策略梯度算法
107本章小结
108本章参考文献
自动驾驶开发平台 自动驾驶
版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。