內容大鋼
人工智慧（AI）技術的革新正在為自主系統如自動駕駛系統帶來無限機遇。人工智慧技術賦能自動駕駛，使其能夠獲得比人類駕駛員更好的駕駛能力，例如自主感知、推理和決策，有望改變傳統的交通方式以服務人類。本書為自動駕駛領域工程技術人員提供人工智慧相關基礎理論和應用技術等相關知識，並培養將人工智慧演算法應用於自動駕駛或其他自主系統的能力。本書涵蓋的主題有：概述模塊，包括人工智慧、自動駕駛及兩者關係的介紹；感知模塊，包括感知技術、人工智慧演算法應用；決策模塊，包括自動駕駛決策問題和基於人工智慧的決策演算法；控制模塊，包括數據和機理驅動的控制方法及自動駕駛應用；優化模塊，包括人工智慧演算法的優化求解；案例分析模塊，包括人機交互和高級駕駛輔助系統。讀者通過本書將熟悉人工智慧概念、演算法和自動駕駛系統最新技術。本書適合自動駕駛研究與開發技術人員閱讀使用，也適合車輛工程及相關專業師生閱讀參考。
作者介紹
編者:郭露露//洪金龍//王宇雷|責編:孫鵬//高孟瑜
目錄
前言
第1章 人工智慧與自動駕駛概述
1.1 自動駕駛概述
1.1.1 自動駕駛相關術語
1.1.2 自動駕駛分級
1.1.3 自動駕駛主要任務
1.2 人工智慧概述
1.2.1 人工智慧的起源與發展
1.2.2 人工智慧的分類
1.2.3 神經網路與深度學習
1.2.4 人工智慧的爆發與機遇
1.3 自動駕駛——人工智慧競技場
1.3.1 自動駕駛的發展歷程
1.3.2 自動駕駛中的AI技術
1.3.3 自動駕駛對人工智慧的挑戰
參考文獻
第2章 人工智慧與優化控制
2.1 基於學習的優化控制
2.1.1 概述
2.1.2 機器學習在優化控制中的應用
2.2 基於學習的模型預測控制
2.2.1 模型預測控制
2.2.2 機器學習在模型預測控制中的角色
2.3 內嵌物理知識神經網路
2.3.1 概述
2.3.2 原理
2.3.3 斯托克斯流體拓撲優化
2.4 人工智慧中的優化演算法
2.4.1 梯度下降與共軛梯度法
2.4.2 動量優化與Nesterov動量優化演算法
2.4.3 自適應梯度優化演算法
2.4.4 RMSProp優化演算法
2.4.5 Adam優化演算法
2.5 人工智慧中的反饋機制
2.5.1 反饋的基本思想
2.5.2 人類反饋強化學習
參考文獻
第3章 自動駕駛感知中的人工智慧
3.1 基於圖像的目標識別與追蹤
3.1.1 基於圖像的目標識別
3.1.2 基於圖像的目標追蹤
3.2 基於感測器融合的目標識別與追蹤
3.2.1 基於感測器融合的目標識別
3.2.2 基於感測器融合的目標追蹤
3.3 案例研究
參考文獻
第4章 自動駕駛決策中的人工智慧
4.1 人工智慧決策的可解釋性
4.1.1 人工智慧決策可解釋性方法概述
4.1.2 語義Shapley值引導的視覺反事實解釋及自動駕駛應用
4.2 基於可解釋獎勵機強化學習的自動駕駛決策
4.2.1 可解釋獎勵機
4.2.2 高速公路場景下的獎勵機強化學習決策設計
4.2.3 模擬分析
參考文獻
第5章 自動駕駛控制中的人工智慧
5.1 智能駕駛中的動力系統控制
5.1.1 研究場景與方案綜述
5.1.2 車-路協同下智能預測巡航控制
5.1.3 交通信號燈速度規劃
5.2 基於深度學習的電池健康預測
5.2.1 電池健康管理概述
5.2.2 基於LSTM神經網路的電池健康狀態預測
5.2.3 基於遷移學習的電池健康狀態預測
5.3 基於強化學習的混動汽車能量管理
5.3.1 混合動力汽車能量管理策略概述
5.3.2 強化學習演算法在能量管理策略中的應用
5.3.3 案例研究
5.4 基於學習的車輛運動控制
5.4.1 基於學習的車輛運動控制策略概述
5.4.2 基於數據驅動的車輛運動控制
&nb
[