幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

基於AI與機器人技術的自動駕駛技術

  • 作者：(日)荒井幸代//大前學//大日方五郎//川崎敦史//橘川雄樹等|編者:(日)香月理繪|責編:孫力維//楊凱|譯者:蔣萌
  • 出版社：科學
  • ISBN：9787030752635
  • 出版日期：2023/05/01
  • 裝幀：平裝
  • 頁數：290
人民幣：RMB 88 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書由活躍于自動駕駛各個領域的專家執筆，講解最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。後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。
    本書主要面向自動駕駛領域的研究人員和工程師，還可作為高等院校車輛工程、自動化控制等相關專業師生的參考用書。
作者介紹
(日)荒井幸代//大前學//大日方五郎//川崎敦史//橘川雄樹等|編者:(日)香月理繪|責編:孫力維//楊凱|譯者:蔣萌
目錄
第1章  自動駕駛技術概述
  1.1  自動駕駛的整體流程
    1.1.1  機動車的使用目的和自動駕駛
    1.1.2  自動駕駛功能的子系統
    1.1.3  自動駕駛系統的工作流程
  1.2  自動駕駛的硬體結構
    1.2.1  用於環境識別的外部感測器
    1.2.2  GNSS
    1.2.3  地圖上的自車定位與地圖更新
    1.2.4  駕駛員監控技術
    1.2.5  硬體結構
  1.3  確保自動駕駛的安全性和可靠性
    1.3.1  系統的功能安全策略
    1.3.2  自動駕駛的可靠性保障
  1.4  實現全自動駕駛面臨的問題
    1.4.1  自動駕駛與道路交通環境
    1.4.2  自動駕駛及其社會接受度
    1.4.3  人工智慧在自動駕駛中的必要性和面臨的問題
    1.4.4  問題總結
第2章  環境識別和預測
  2.1  手工提取特徵量的環境識別
    2.1.1  探測行人和車輛
    2.1.2  手工提取特徵量的優勢
  2.2  深度學習的環境識別
    2.2.1  探測行人和車輛
    2.2.2  語義分割
    2.2.3  深度學習的環境識別問題
  2.3  行人的路徑預測
    2.3.1  基於貝葉斯模型的方法
    2.3.2  基於深度學習的方法
    2.3.3  RNN和LSTM
    2.3.4  基於LSTM的方法
    2.3.5  考慮到行人交互的路徑預測
  2.4  其他車輛的路徑預測
    2.4.1  概述
    2.4.2  考慮移動體間相互影響的預測
    2.4.3  生成多種候選的預測
  2.5  深度學習模型的壓縮
    2.5.1  剪枝與量化
    2.5.2  矩陣分解
    2.5.3  知識蒸餾
    2.5.4  網路結構搜索
第3章  地圖生成和自車定位
  3.1  自動駕駛中的地圖和自車定位的作用
  3.2  高精地圖
    3.2.1  點雲地圖
    3.2.2  矢量地圖
  3.3  點雲地圖的生成方法
    3.3.1  MMS
    3.3.2  SLAM

  3.4  矢量地圖的生成方法
  3.5  用地圖進行自車定位
    3.5.1  通過三維點雲和LiDAR進行自車定位
    3.5.2  其他方法
    3.5.3  感測器協調合作
  3.6  應用衛星定位的自車定位
    3.6.1  應用衛星定位和RTK-GNSS的厘米級自車定位
    3.6.2  衛星定位與IMU協調合作，實現更加穩健的自車定位
第4章  自動駕駛車輛的決策
  4.1  決策概述
  4.2  路徑規劃
  4.3  運動規劃
    4.3.1  運動規劃的輸入
    4.3.2  運動規劃的處理流程
    4.3.3  參考狀態遷移圖的運動規劃
    4.3.4  採用學習行為的運動規劃
  4.4  軌跡生成
    4.4.1  軌跡生成模塊的輸入
    4.4.2  軌跡生成的處理
    4.4.3  不採用學習行為的軌跡生成
    4.4.4  採用學習行為的軌跡生成
  4.5  決策功能的實用化
    4.5.1  決策功能的開發情況
    4.5.2  深度學習在決策功能中的應用問題
    4.5.3  提高安全性
第5章  縱橫方向的車輛運動控制
  5.1  自動駕駛系統和ADAS的關係
  5.2  ADAS技術
    5.2.1  縱向車輛運動控制
    5.2.2  橫向車輛運動控制
    5.2.3  縱橫兩個方向的車輛運動控制
  5.3  自動駕駛系統的控制技術
    5.3.1  車輛模型
    5.3.2  PID控制
    5.3.3  純追蹤演算法
    5.3.4  模型預測控制
  5.4  控制系統的設計及性能評價
    5.4.1  控制系統的調節
    5.4.2  與感知系統評價方法的不同
    5.4.3  形式模型的安全性評價
  5.5  深度學習在車輛運動控制中的應用探究
    5.5.1  神經網路PID
    5.5.2  端到端（End-to-End）自動駕駛及其面臨的問題
第6章  多車協同控制
  6.1  互讓
    6.1.1  互讓概述
    6.1.2  相關研究
    6.1.3  遙控汽車實驗示例
    6.1.4  遙控汽車通過DQN互讓的示例
  6.2  列隊行駛

    6.2.1  列隊行駛的概要及效果
    6.2.2  前後方向的控制
    6.2.3  左右方向的控制
    6.2.4  列隊行駛控制示例
第7章  自動駕駛技術的開發工具
  7.1  環境識別、自車定位數據集
    7.1.1  數據集
    7.1.2  KITTI數據集
    7.1.3  數據集的陷阱
  7.2  地圖（HD地圖）
    7.2.1  OpenDRIVE
    7.2.2  Lanelet
  7.3  自動駕駛平台
    7.3.1  Autoware的整體情況和深度學習的相關功能
    7.3.2  Apollo的整體情況和深度學習的相關功能
    7.3.3  Autoware和Apollo的比較和尚待解決的問題
  7.4  自動駕駛模擬器
    7.4.1  免費模擬器示例
    7.4.2  免費模擬器比較
第8章  深度學習的基礎
  8.1  機器學習、深度學習
    8.1.1  機器學習概述
    8.1.2  深度學習的必要性
  8.2  神經網路的基本結構
    8.2.1  輸入層
    8.2.2  隱藏層
    8.2.3  輸出層
  8.3  神經網路的學習方法
    8.3.1  損失函數
    8.3.2  概率性梯度下降法
    8.3.3  誤差反向傳播法
    8.3.4  其他技術
第9章  深度強化學習
  9.1  深度強化學習概述
  9.2  強化學習的概述、方法和深度強化學習擴展
    9.2.1  強化學習的基礎
    9.2.2  強化學習和函數擬合
  9.3  基於價值的方法
    9.3.1  DQN
    9.3.2  DQN的改良
    9.3.3  強化學習的問題及其改善方案
  9.4  基於策略的方法
    9.4.1  策略梯度法
    9.4.2  蒙特卡羅策略梯度法
    9.4.3  引入Actor-Critic的策略梯度法
    9.4.4  優勢函數
    9.4.5  策略梯度法的發展
    9.4.6  總結
  9.5  獎勵設計
    9.5.1  逆向強化學習的基本演算法

    9.5.2  不適定問題（獎勵優化）
    9.5.3  計算量問題（估測獎勵更新的效率化）
    9.5.4  引入先驗知識
    9.5.5  總結
第10章  深度學習的技能
  10.1  深度學習和調整
  10.2  深度學習的設計方針
    10.2.1  輸入數據的選擇
    10.2.2  中間層的選擇
  10.3  以全連接網路為例講解調整方法
    10.3.1  學習率和優化演算法
    10.3.2  激活函數和正則化
    10.3.3  樣本數和收斂性
    10.3.4  製作學習數據的技能
    10.3.5  學習曲線
    10.3.6  總結
  10.4  深度學習資料庫的比較
    10.4.1  實現比較
    10.4.2  各種深度學習資料庫
參考文獻
結語

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032