智能車(chē)輛理論與應(yīng)用

第1章 智能車(chē)輛與人工智能概述
1.1智能車(chē)輛概述
1.2人工智能概述
1.3濾波技術(shù)基礎(chǔ)
1.3.1 卡爾曼濾波
1.3.2 粒子濾波
1.4 智能車(chē)輛體系結(jié)構(gòu)
1.4.1 RCS系統(tǒng)運(yùn)行機(jī)制介紹
1.4.2 數(shù)據(jù)采集與回放系統(tǒng)
習(xí)題
第2章 智能車(chē)輛視覺(jué)技術(shù)
2.1 基于三維激光雷達(dá)的目標(biāo)檢測(cè)與跟蹤
2.1.1 柵格地圖創(chuàng)建
2.1.2 目標(biāo)聚類(lèi)與檢測(cè)
2.1.3 目標(biāo)數(shù)據(jù)關(guān)聯(lián)
2.1.4 動(dòng)態(tài)目標(biāo)狀態(tài)估計(jì)
2.2 使用機(jī)器視覺(jué)的可通行區(qū)域檢測(cè)
2.2.1　特征提取算法
2.2.2 基于FSVM和AdaBoost的特征選擇算法
2.2.3　SVM模型的訓(xùn)練與分類(lèi)
2.3 視覺(jué)SLAM
2.3.1 算法框架與前端搭建
2.3.2 圖優(yōu)化概述
2.3.3 非回環(huán)分層模型
2.4 實(shí)例---用ORB-SLAM2方法對(duì)KITTI數(shù)據(jù)集計(jì)算
習(xí)題
第3章 深度學(xué)習(xí)與目標(biāo)檢測(cè)
3.1 卷積神經(jīng)網(wǎng)絡(luò)
3.1.1 卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)
3.1.2 卷積神經(jīng)網(wǎng)絡(luò)的前向傳播算法
3.1.3 卷積神經(jīng)網(wǎng)絡(luò)的反向傳播算法
3.2 CNN卷積神經(jīng)網(wǎng)絡(luò)改進(jìn)
3.2.1 R-CNN
3.2.2 SPPNet
3.2.3 Fast R-CNN
3.2.4 YOLO
3.2.5 Faster R-CNN
3.2.6 SSD
3.2.7 Mask R-CNN
3.3 訓(xùn)練框架
3.3.1 Caffe
3.3.2 Tensorflow
3.3.3 Torch、MXNET與Keras
3.4 深度學(xué)習(xí)在智能車(chē)輛上應(yīng)用實(shí)例分析
3.4.1 基于深度學(xué)習(xí)的車(chē)道線檢測(cè)
3.4.2 Caffe+SSD目標(biāo)檢測(cè)實(shí)例介紹
習(xí)題
第4章 智能網(wǎng)聯(lián)技術(shù)
4.1 基于網(wǎng)聯(lián)技術(shù)的多車(chē)編隊(duì)自動(dòng)駕駛
4.1.1 車(chē)輛編隊(duì)總體方案
4.1.2 多車(chē)編隊(duì)系統(tǒng)架構(gòu)
4.1.3 編隊(duì)車(chē)輛平臺(tái)軟件結(jié)構(gòu)
4.2 V2V通信與車(chē)載傳感器信息融合的匝道入口避撞系統(tǒng)
4.2.1 基于車(chē)載傳感器與V2V通信的避撞系統(tǒng)
4.2.2 綜合V2V通信與車(chē)載傳感器信息的匝道入口避撞系統(tǒng)
4.2.3匝道避碰系統(tǒng)仿真分析
4.3基于V2V的遮擋情況下的AEB技術(shù)
4.3.1 在遮擋環(huán)境下基于V2V通信的AEB系統(tǒng)
4.3.2 基于PreScan/matlab的模型搭建
4.3.3 三車(chē)V2V避撞仿真分析
習(xí)題
第5章　智能決策與類(lèi)人駕駛
5.1 高速道路環(huán)境下智能車(chē)輛超車(chē)行為決策
5.1.1 基于層次狀態(tài)機(jī)的超車(chē)行為建模
5.1.2 基于人工神經(jīng)網(wǎng)絡(luò)的超車(chē)意圖產(chǎn)生
5.1.3 基于規(guī)則的超車(chē)條件判定
5.2 無(wú)信號(hào)燈十字交叉口智能車(chē)輛行為決策
5.2.1 無(wú)信號(hào)燈十字交叉口場(chǎng)景分析
5.2.2基于模糊邏輯的駕駛員激進(jìn)程度識(shí)別
5.2.3基于相對(duì)駕駛激進(jìn)程度的無(wú)信號(hào)燈交叉口決策方法
5.3 車(chē)輛跟馳類(lèi)人駕駛學(xué)習(xí)系統(tǒng)
5.3.1 類(lèi)人駕駛學(xué)習(xí)系統(tǒng)設(shè)計(jì)
5.3.2 強(qiáng)化學(xué)習(xí)與馬爾科夫決策過(guò)程
5.3.3 Q Learning與NQL(Neural-Q Learning)
5.3.4 NQL求解過(guò)程
5.3.5 NQL算法流程
5.4 定距離跟馳仿真試驗(yàn)
5.4.1仿真系統(tǒng)設(shè)計(jì)
5.4.2 定距離跟馳模型
5.4.3 試驗(yàn)結(jié)果與分析
習(xí)題
第6章 智能車(chē)輛路徑規(guī)劃與運(yùn)動(dòng)規(guī)劃
6.1 實(shí)時(shí)、增量式路徑規(guī)劃
6.1.1 概述
6.1.2 增量式路徑規(guī)劃算法
6.1.3 變維度狀態(tài)空間的實(shí)時(shí)、增量式路徑規(guī)劃
6.2 局部路徑規(guī)劃
6.2.1 局部路徑生成算法
6.2.2 避障分析與路徑選擇
6.3 運(yùn)動(dòng)規(guī)劃與行駛模式
6.3.1規(guī)劃方法設(shè)計(jì)思路
6.3.2速度規(guī)劃方法
6.3.3行駛模式分析
習(xí)題
第7章 智能車(chē)輛模型預(yù)測(cè)控制
7.1 車(chē)輛動(dòng)力學(xué)和輪胎模型
7.1.1 車(chē)輛動(dòng)力學(xué)模型
7.1.2 輪胎模型
7.2 模型預(yù)測(cè)控制理論推導(dǎo)與求解
7.2.1 模型預(yù)測(cè)控制算法
7.2.2 非線性模型預(yù)測(cè)控制
7.2.3 線性時(shí)變模型預(yù)測(cè)控制
7.3 基于動(dòng)力學(xué)模型的前輪主動(dòng)轉(zhuǎn)向控制
習(xí)題
第8章 智能車(chē)輛測(cè)試與評(píng)價(jià)
8.1 基于ROS+V-REP的智能車(chē)輛測(cè)試方法
8.1.1 安裝ROS+V-REP
8.1.2 模型搭建
8.1.3 聯(lián)合仿真測(cè)試
8.2復(fù)雜交通環(huán)境智能車(chē)輛評(píng)價(jià)方法
8.2.1復(fù)雜交通環(huán)境下智能車(chē)輛性能測(cè)試內(nèi)容
8.2.2 基于集成測(cè)試方法的性能測(cè)試
8.2.3 智能車(chē)輛性能測(cè)試環(huán)境構(gòu)建
8.2.4智能車(chē)輛性能評(píng)價(jià)方法
習(xí)題
參考文獻(xiàn)