基于AI與機(jī)器人技術(shù)的自動(dòng)駕駛技術(shù)

目錄
第1章 自動(dòng)駕駛技術(shù)概述 1
1.1 自動(dòng)駕駛的整體流程 3
1.1.1 機(jī)動(dòng)車(chē)的使用目的和自動(dòng)駕駛 3
1.1.2 自動(dòng)駕駛功能的子系統(tǒng) 4
1.1.3 自動(dòng)駕駛系統(tǒng)的工作流程 8
1.2 自動(dòng)駕駛的硬件結(jié)構(gòu) 9
1.2.1 用于環(huán)境識(shí)別的外部傳感器 9
1.2.2 GNSS 10
1.2.3 地圖上的自車(chē)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(dòng)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(dòng)駕駛的可靠性保障 15
1.4 實(shí)現(xiàn)全自動(dòng)駕駛面臨的問(wèn)題 18
1.4.1 自動(dòng)駕駛與道路交通環(huán)境 18
1.4.2 自動(dòng)駕駛及其社會(huì)接受度 19
1.4.3 人工智能在自動(dòng)駕駛中的必要性和面臨的問(wèn)題 19
1.4.4 問(wèn)題總結(jié) 21
第2章 環(huán)境識(shí)別和預(yù)測(cè) 23
2.1 手工提取特征量的環(huán)境識(shí)別 25
2.1.1 探測(cè)行人和車(chē)輛 25
2.1.2 手工提取特征量的優(yōu)勢(shì) 27
2.2 深度學(xué)習(xí)的環(huán)境識(shí)別 27
2.2.1 探測(cè)行人和車(chē)輛 28
2.2.2 語(yǔ)義分割 29
2.2.3 深度學(xué)習(xí)的環(huán)境識(shí)別問(wèn)題 30
2.3 行人的路徑預(yù)測(cè) 30
2.3.1 基于貝葉斯模型的方法 31
2.3.2 基于深度學(xué)習(xí)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(yù)測(cè) 37
2.4 其他車(chē)輛的路徑預(yù)測(cè) 39
2.4.1 概述 39
2.4.2 考慮移動(dòng)體間相互影響的預(yù)測(cè) 41
2.4.3 生成多種候選的預(yù)測(cè) 41
2.5 深度學(xué)習(xí)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(shí)蒸餾 47
2.5.4 網(wǎng)絡(luò)結(jié)構(gòu)搜索 47
第3章 地圖生成和自車(chē)定位 49
3.1 自動(dòng)駕駛中的地圖和自車(chē)定位的作用 51
3.2 高精地圖 51
3.2.1 點(diǎn)云地圖 52
3.2.2 矢量地圖 53
3.3 點(diǎn)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(jìn)行自車(chē)定位 61
3.5.1 通過(guò)三維點(diǎn)云和LiDAR進(jìn)行自車(chē)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(yīng)用衛(wèi)星定位的自車(chē)定位 64
3.6.1 應(yīng)用衛(wèi)星定位和RTK-GNSS的厘米級(jí)自車(chē)定位 65
3.6.2 衛(wèi)星定位與IMU協(xié)調(diào)合作，實(shí)現(xiàn)更加穩(wěn)健的自車(chē)定位 68
第4章 自動(dòng)駕駛車(chē)輛的決策 71
4.1 決策概述 73
4.2 路徑規(guī)劃 74
4.3 運(yùn)動(dòng)規(guī)劃 79
4.3.1 運(yùn)動(dòng)規(guī)劃的輸入 80
4.3.2 運(yùn)動(dòng)規(guī)劃的處理流程 81
4.3.3 參考狀態(tài)遷移圖的運(yùn)動(dòng)規(guī)劃 82
4.3.4 采用學(xué)習(xí)行為的運(yùn)動(dòng)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(xué)習(xí)行為的軌跡生成 90
4.4.4 采用學(xué)習(xí)行為的軌跡生成 93
4.5 決策功能的實(shí)用化 95
4.5.1 決策功能的開(kāi)發(fā)情況 96
4.5.2 深度學(xué)習(xí)在決策功能中的應(yīng)用問(wèn)題 96
4.5.3 提高安全性 97
第5章 縱橫方向的車(chē)輛運(yùn)動(dòng)控制 99
5.1 自動(dòng)駕駛系統(tǒng)和ADAS的關(guān)系 101
5.2 ADAS技術(shù) 104
5.2.1 縱向車(chē)輛運(yùn)動(dòng)控制 104
5.2.2 橫向車(chē)輛運(yùn)動(dòng)控制 105
5.2.3 縱橫兩個(gè)方向的車(chē)輛運(yùn)動(dòng)控制 106
5.3 自動(dòng)駕駛系統(tǒng)的控制技術(shù) 106
5.3.1 車(chē)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(yù)測(cè)控制 113
5.4 控制系統(tǒng)的設(shè)計(jì)及性能評(píng)價(jià) 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(píng)價(jià)方法的不同 121
5.4.3 形式模型的安全性評(píng)價(jià) 122
5.5 深度學(xué)習(xí)在車(chē)輛運(yùn)動(dòng)控制中的應(yīng)用探究 126
5.5.1 神經(jīng)網(wǎng)絡(luò)PID 126
5.5.2 端到端（End-to-End）自動(dòng)駕駛及其面臨的問(wèn)題 131
第6章 多車(chē)協(xié)同控制 133
6.1 互讓 135
6.1.1 互讓概述 135
6.1.2 相關(guān)研究 136
6.1.3 遙控汽車(chē)實(shí)驗(yàn)示例 137
6.1.4 遙控汽車(chē)通過(guò)DQN互讓的示例 140
6.2 列隊(duì)行駛 145
6.2.1 列隊(duì)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(duì)行駛控制示例 148
第7章 自動(dòng)駕駛技術(shù)的開(kāi)發(fā)工具 153
7.1 環(huán)境識(shí)別、自車(chē)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(dòng)駕駛平臺(tái) 160
7.3.1 Autoware的整體情況和深度學(xué)習(xí)的相關(guān)功能 161
7.3.2 Apollo的整體情況和深度學(xué)習(xí)的相關(guān)功能 162
7.3.3 Autoware和Apollo的比較和尚待解決的問(wèn)題 163
7.4 自動(dòng)駕駛模擬器 164
7.4.1 免費(fèi)模擬器示例 165
7.4.2 免費(fèi)模擬器比較 166
第8章 深度學(xué)習(xí)的基礎(chǔ) 167
8.1 機(jī)器學(xué)習(xí)、深度學(xué)習(xí) 169
8.1.1 機(jī)器學(xué)習(xí)概述 169
8.1.2 深度學(xué)習(xí)的必要性 170
8.2 神經(jīng)網(wǎng)絡(luò)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(luò)的學(xué)習(xí)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(qiáng)化學(xué)習(xí) 197
9.1 深度強(qiáng)化學(xué)習(xí)概述 199
9.2 強(qiáng)化學(xué)習(xí)的概述、方法和深度強(qiáng)化學(xué)習(xí)擴(kuò)展 203
9.2.1 強(qiáng)化學(xué)習(xí)的基礎(chǔ) 203
9.2.2 強(qiáng)化學(xué)習(xí)和函數(shù)擬合 207
9.3 基于價(jià)值的方法 209
9.3.1 DQN 209
9.3.2 DQN的改良 211
9.3.3 強(qiáng)化學(xué)習(xí)的問(wèn)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(shì)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(jiǎng)勵(lì)設(shè)計(jì) 232
9.5.1 逆向強(qiáng)化學(xué)習(xí)的基本算法 233
9.5.2 不適定問(wèn)題（獎(jiǎng)勵(lì)優(yōu)化） 236
9.5.3 計(jì)算量問(wèn)題（估測(cè)獎(jiǎng)勵(lì)更新的效率化） 239
9.5.4 引入先驗(yàn)知識(shí) 245
9.5.5 總結(jié) 247
第10章 深度學(xué)習(xí)的技能 249
10.1 深度學(xué)習(xí)和調(diào)整 251
10.2 深度學(xué)習(xí)的設(shè)計(jì)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(luò)為例講解調(diào)整方法 255
10.3.1 學(xué)習(xí)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(xué)習(xí)數(shù)據(jù)的技能 258
10.3.5 學(xué)習(xí)曲線 258
10.3.6 總結(jié) 261
10.4 深度學(xué)習(xí)資料庫(kù)的比較 261
10.4.1 實(shí)現(xiàn)比較 262
10.4.2 各種深度學(xué)習(xí)資料庫(kù) 262
參考文獻(xiàn) 277
結(jié)語(yǔ) 291