 |
-- 會員 / 註冊 --
|
 |
|
|
|
無人駕駛原理與實踐 ( 簡體 字) |
| 作者：申澤邦 雍賓賓 周慶國 李良 李冠憬 | 類別：1. -> 程式設計 -> 綜合
2. -> 電子工程 -> 無人機 |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 50479
詢問書籍請說出此書號！【缺書】
NT售價： 345 元 |
| 出版日：1/1/2019 |
| 頁數：230 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111614999 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
內容簡介：無人駕駛系統涉及的技術面非常廣泛，內容繁多，種類多跨度大。現階段而言，實現無人駕駛系統主要有兩種思路：一是傳統的機器人學的思路，另一種是采用深度學習的方法。這兩類技術都在不斷地發展，汽車公司和科技公司的無人駕駛汽車系統也往往融合了這兩類技術。本書將綜合這兩類技術，為讀者從原理到實踐詳細講解應用于無人駕駛汽車系統的關鍵技術，為意圖入門無人駕駛汽車領域的讀者打好基礎。閱讀完本書，讀者將有能力進入無人駕駛汽車這一前沿領域，進行更加深入的探索。 |
目錄：本書贊譽
序
前言
教學建議
第1章初識無人駕駛系統
1杄1什么是無人駕駛
1杄1杄1無人駕駛的分級標準
1杄1杄2無人駕駛到底有多難
1杄2為什么需要無人駕駛
1杄2杄1提高道路交通安全
1杄2杄2緩解城市交通擁堵
1杄2杄3提升出行效率
1杄2杄4降低駕駛者的門檻
1杄3無人駕駛系統的基本框架
1杄3杄1環境感知
1杄3杄2定位
1杄3杄3任務規劃
1杄3杄4行為規劃
1杄3杄5動作規劃
1杄3杄6控制系統
1杄3杄7小結
1杄4開發環境配置
1杄4杄1簡單環境安裝
1杄4杄2ROS安裝
1杄4杄3OpenCV安裝
1杄5本章參考文獻
第2章ROS入門
2杄1ROS簡介
2杄1杄1ROS是什么
2杄1杄2ROS的歷史
2杄1杄3ROS的特性
2杄2ROS的核心概念
2杄3catkin創建系統
2杄4ROS中的項目組織結構
2杄5基于Husky模擬器的實踐
2杄6ROS的基本編程
2杄6杄1ROS C++編程
2杄6杄2編寫簡單的發布和訂閱程序
2杄6杄3ROS中的參數服務
2杄6杄4基于Husky機器人的小案例
2杄7ROS Service
2杄8ROS Action
2杄9ROS中的常用工具
2杄9杄1Rviz
2杄9杄2rqt
2杄9杄3TF坐標轉換系統
2杄9杄4URDF和SDF
2杄10本章參考文獻
第3章無人駕駛系統的定位方法
3杄1實現定位的原理
3杄2迭代最近點算法
3杄3正態分布變換
3杄3杄1NDT算法介紹
3杄3杄2NDT算法的基本步驟
3杄3杄3NDT算法的優點
3杄3杄4NDT算法實例
3杄4基于GPS+慣性組合導航的定位系統
3杄4杄1定位原理
3杄4杄2不同傳感器的定位融合實現
3杄5基于SLAM的定位系統
3杄5杄1SLAM定位原理
3杄5杄2SLAM應用
3杄6本章參考文獻
第4章狀態估計和傳感器融合
4杄1卡爾曼濾波和狀態估計
4杄1杄1背景知識
4杄1杄2卡爾曼濾波
4杄1杄3卡爾曼濾波在無人駕駛汽車感知模塊中的應用
4杄2高級運動模型和擴展卡爾曼濾波
4杄2杄1應用于車輛追蹤的高級運動模型
4杄2杄2擴展卡爾曼濾波
4杄3無損卡爾曼濾波
4杄3杄1運動模型
4杄3杄2非線性過程模型和測量模型
4杄3杄3無損變換
4杄3杄4預測
4杄3杄5測量更新
4杄3杄6小結
4杄4本章參考文獻
第5章機器學習和神經網絡基礎
5杄1機器學習基本概念
5杄2監督學習
5杄2杄1經驗風險最小化
5杄2杄2模型、過擬合和欠擬合
5杄2杄3“一定的算法”——梯度下降算法
5杄2杄4小結
5杄3神經網絡基礎
5杄3杄1神經網絡基本結構
5杄3杄2無限容量——擬合任意函數
5杄3杄3前向傳播
5杄3杄4隨機梯度下降
5杄4使用Keras實現神經網絡
5杄4杄1數據準備
5杄4杄2三層網絡的小變動——深度前饋神經網絡
5杄4杄3小結
5杄5本章參考文獻
第6章深度學習和無人駕駛視覺感知
6杄1深度前饋神經網絡——為什么要深
6杄1杄1大數據下的模型訓練效率
6杄1杄2表示學習
6杄2應用于深度神經網絡的正則化技術
6杄2杄1數據集增強
6杄2杄2提前終止
6杄2杄3參數范數懲罰
6杄2杄4Dropout技術
6杄3實戰——交通標志識別
6杄3杄1BelgiumTS 數據集
6杄3杄2數據預處理
6杄3杄3使用Keras構造并訓練深度前饋網絡
6杄4卷積神經網絡入門
6杄4杄1什么是卷積以及卷積的動機
6杄4杄2稀疏交互
6杄4杄3參數共享
6杄4杄4等變表示
6杄4杄5卷積神經網絡
6杄4杄6卷積的一些細節
6杄5基于YOLO的車輛檢測
6杄5杄1預訓練分類網絡
6杄5杄2訓練檢測網絡
6杄5杄3YOLO的損失函數
6杄5杄4測試
6杄5杄5基于YOLO的車輛和行人檢測
6杄6本章參考文獻
第7章遷移學習和端到端無人駕駛
7杄1遷移學習
7杄2端到端無人駕駛
7杄3端到端無人駕駛模擬
7杄3杄1模擬器的選擇
7杄3杄2數據采集和處理
7杄3杄3深度神經網絡模型構建
7杄4本章小結
7杄5本章參考文獻
第8章無人駕駛規劃入門
8杄1無人車路徑規劃和A*算法
8杄1杄1有向圖
8杄1杄2廣度優先搜索算法
8杄1杄3涉及的數據結構
8杄1杄4如何生成路線
8杄1杄5有方向地進行搜索（啟發式）
8杄1杄6Dijkstra算法
8杄1杄7A*算法
8杄2分層有限狀態機和無人車行為規劃
8杄2杄1無人車決策規劃系統設計準則
8杄2杄2有限狀態機
8杄2杄3分層有限狀態機
8杄2杄4狀態機在行為規劃中的使用
8杄3基于自由邊界三次樣條插值的無人車路徑生成
8杄3杄1三次樣條插值
8杄3杄2三次樣條插值算法
8杄3杄3使用Python實現三次樣條插值進行路徑生成
8杄4基于Frenet優化軌跡的無人車動作規劃方法
8杄4杄1為什么使用Frenet坐標系
8杄4杄2Jerk最小化和5次軌跡多項式求解
8杄4杄3碰撞避免
8杄4杄4基于Frenet優化軌跡的無人車動作規劃實例
8杄5本章參考文獻
第9章車輛模型和高級控制
9杄1運動學自行車模型和動力學自行車模型
9杄1杄1自行車模型
9杄1杄2運動學自行車模型
9杄1杄3動力學自行車模型
9杄2無人車控制入門
9杄2杄1為什么需要控制理論
9杄2杄2PID控制
9杄3基于運動學模型的模型預測控制
9杄3杄1將PID控制應用于轉向控制存在的問題
9杄3杄2預測模型
9杄3杄3在線滾動優化
9杄3杄4反饋校正
9杄4軌跡追蹤
9杄5本章參考文獻
第10章深度強化學習及其在自動駕駛中的應用
10杄1強化學習概述
10杄2強化學習原理及過程
10杄2杄1馬爾可夫決策過程
10杄2杄2強化學習的目標及智能體的要素
10杄2杄3值函數
10杄3近似價值函數
10杄4深度Q值網絡算法
10杄4杄1Q_Learning算法
10杄4杄2DQN算法
10杄5策略梯度
10杄6深度確定性策略梯度及TORCS游戲的控制
10杄6杄1TORCS游戲簡介
10杄6杄2TORCS游戲環境安裝
10杄6杄3深度確定性策略梯度算法
10杄7本章小結
10杄8本章參考文獻 |
| 序： |
|
