基于AI與機器人技術(shù)的自動駕駛技術(shù)

目錄
第1章 自動駕駛技術(shù)概述 1
1.1 自動駕駛的整體流程 3
1.1.1 機動車的使用目的和自動駕駛 3
1.1.2 自動駕駛功能的子系統(tǒng) 4
1.1.3 自動駕駛系統(tǒng)的工作流程 8
1.2 自動駕駛的硬件結(jié)構(gòu) 9
1.2.1 用于環(huán)境識別的外部傳感器 9
1.2.2 GNSS 10
1.2.3 地圖上的自車定位與地圖更新 11
1.2.4 駕駛員監(jiān)控技術(shù) 12
1.2.5 硬件結(jié)構(gòu) 13
1.3 確保自動駕駛的安全性和可靠性 14
1.3.1 系統(tǒng)的功能安全策略 14
1.3.2 自動駕駛的可靠性保障 15
1.4 實現(xiàn)全自動駕駛面臨的問題 18
1.4.1 自動駕駛與道路交通環(huán)境 18
1.4.2 自動駕駛及其社會接受度 19
1.4.3 人工智能在自動駕駛中的必要性和面臨的問題 19
1.4.4 問題總結(jié) 21
第2章 環(huán)境識別和預測 23
2.1 手工提取特征量的環(huán)境識別 25
2.1.1 探測行人和車輛 25
2.1.2 手工提取特征量的優(yōu)勢 27
2.2 深度學習的環(huán)境識別 27
2.2.1 探測行人和車輛 28
2.2.2 語義分割 29
2.2.3 深度學習的環(huán)境識別問題 30
2.3 行人的路徑預測 30
2.3.1 基于貝葉斯模型的方法 31
2.3.2 基于深度學習的方法 32
2.3.3 RNN和LSTM 32
2.3.4 基于LSTM的方法 34
2.3.5 考慮到行人交互的路徑預測 37
2.4 其他車輛的路徑預測 39
2.4.1 概述 39
2.4.2 考慮移動體間相互影響的預測 41
2.4.3 生成多種候選的預測 41
2.5 深度學習模型的壓縮 43
2.5.1 剪枝與量化 44
2.5.2 矩陣分解 46
2.5.3 知識蒸餾 47
2.5.4 網(wǎng)絡結(jié)構(gòu)搜索 47
第3章 地圖生成和自車定位 49
3.1 自動駕駛中的地圖和自車定位的作用 51
3.2 高精地圖 51
3.2.1 點云地圖 52
3.2.2 矢量地圖 53
3.3 點云地圖的生成方法 53
3.3.1 MMS 54
3.3.2 SLAM 55
3.4 矢量地圖的生成方法 60
3.5 用地圖進行自車定位 61
3.5.1 通過三維點云和LiDAR進行自車定位 61
3.5.2 其他方法 62
3.5.3 傳感器協(xié)調(diào)合作 63
3.6 應用衛(wèi)星定位的自車定位 64
3.6.1 應用衛(wèi)星定位和RTK-GNSS的厘米級自車定位 65
3.6.2 衛(wèi)星定位與IMU協(xié)調(diào)合作，實現(xiàn)更加穩(wěn)健的自車定位 68
第4章 自動駕駛車輛的決策 71
4.1 決策概述 73
4.2 路徑規(guī)劃 74
4.3 運動規(guī)劃 79
4.3.1 運動規(guī)劃的輸入 80
4.3.2 運動規(guī)劃的處理流程 81
4.3.3 參考狀態(tài)遷移圖的運動規(guī)劃 82
4.3.4 采用學習行為的運動規(guī)劃 83
4.4 軌跡生成 87
4.4.1 軌跡生成模塊的輸入 87
4.4.2 軌跡生成的處理 88
4.4.3 不采用學習行為的軌跡生成 90
4.4.4 采用學習行為的軌跡生成 93
4.5 決策功能的實用化 95
4.5.1 決策功能的開發(fā)情況 96
4.5.2 深度學習在決策功能中的應用問題 96
4.5.3 提高安全性 97
第5章 縱橫方向的車輛運動控制 99
5.1 自動駕駛系統(tǒng)和ADAS的關系 101
5.2 ADAS技術(shù) 104
5.2.1 縱向車輛運動控制 104
5.2.2 橫向車輛運動控制 105
5.2.3 縱橫兩個方向的車輛運動控制 106
5.3 自動駕駛系統(tǒng)的控制技術(shù) 106
5.3.1 車輛模型 107
5.3.2 PID控制 109
5.3.3 純追蹤算法 111
5.3.4 模型預測控制 113
5.4 控制系統(tǒng)的設計及性能評價 119
5.4.1 控制系統(tǒng)的調(diào)節(jié) 119
5.4.2 與感知系統(tǒng)評價方法的不同 121
5.4.3 形式模型的安全性評價 122
5.5 深度學習在車輛運動控制中的應用探究 126
5.5.1 神經(jīng)網(wǎng)絡PID 126
5.5.2 端到端（End-to-End）自動駕駛及其面臨的問題 131
第6章 多車協(xié)同控制 133
6.1 互讓 135
6.1.1 互讓概述 135
6.1.2 相關研究 136
6.1.3 遙控汽車實驗示例 137
6.1.4 遙控汽車通過DQN互讓的示例 140
6.2 列隊行駛 145
6.2.1 列隊行駛的概要及效果 145
6.2.2 前后方向的控制 146
6.2.3 左右方向的控制 147
6.2.4 列隊行駛控制示例 148
第7章 自動駕駛技術(shù)的開發(fā)工具 153
7.1 環(huán)境識別、自車定位數(shù)據(jù)集 155
7.1.1 數(shù)據(jù)集 155
7.1.2 KITTI 數(shù)據(jù)集 155
7.1.3 數(shù)據(jù)集的陷阱 158
7.2 地圖（HD地圖） 158
7.2.1 OpenDRIVE 158
7.2.2 Lanelet2 159
7.3 自動駕駛平臺 160
7.3.1 Autoware的整體情況和深度學習的相關功能 161
7.3.2 Apollo的整體情況和深度學習的相關功能 162
7.3.3 Autoware和Apollo的比較和尚待解決的問題 163
7.4 自動駕駛模擬器 164
7.4.1 免費模擬器示例 165
7.4.2 免費模擬器比較 166
第8章 深度學習的基礎 167
8.1 機器學習、深度學習 169
8.1.1 機器學習概述 169
8.1.2 深度學習的必要性 170
8.2 神經(jīng)網(wǎng)絡的基本結(jié)構(gòu) 172
8.2.1 輸入層 174
8.2.2 隱藏層 174
8.2.3 輸出層 179
8.3 神經(jīng)網(wǎng)絡的學習方法 180
8.3.1 損失函數(shù) 181
8.3.2 概率性梯度下降法 184
8.3.3 誤差反向傳播法 187
8.3.4 其他技術(shù) 192
第9章 深度強化學習 197
9.1 深度強化學習概述 199
9.2 強化學習的概述、方法和深度強化學習擴展 203
9.2.1 強化學習的基礎 203
9.2.2 強化學習和函數(shù)擬合 207
9.3 基于價值的方法 209
9.3.1 DQN 209
9.3.2 DQN的改良 211
9.3.3 強化學習的問題及其改善方案 213
9.4 基于策略的方法 218
9.4.1 策略梯度法 219
9.4.2 蒙特卡羅策略梯度法 221
9.4.3 引入Actor-Critic的策略梯度法 222
9.4.4 優(yōu)勢函數(shù) 223
9.4.5 策略梯度法的發(fā)展 224
9.4.6 總結(jié) 231
9.5 獎勵設計 232
9.5.1 逆向強化學習的基本算法 233
9.5.2 不適定問題（獎勵優(yōu)化） 236
9.5.3 計算量問題（估測獎勵更新的效率化） 239
9.5.4 引入先驗知識 245
9.5.5 總結(jié) 247
第10章 深度學習的技能 249
10.1 深度學習和調(diào)整 251
10.2 深度學習的設計方針 253
10.2.1 輸入數(shù)據(jù)的選擇 253
10.2.2 中間層的選擇 253
10.3 以全連接網(wǎng)絡為例講解調(diào)整方法 255
10.3.1 學習率和優(yōu)化算法 256
10.3.2 激活函數(shù)和正則化 256
10.3.3 樣本數(shù)和收斂性 256
10.3.4 制作學習數(shù)據(jù)的技能 258
10.3.5 學習曲線 258
10.3.6 總結(jié) 261
10.4 深度學習資料庫的比較 261
10.4.1 實現(xiàn)比較 262
10.4.2 各種深度學習資料庫 262
參考文獻 277
結(jié)語 291