第1章 初识无人驾驶系统 1
1.1什么是无人驾驶 1
1.1.1无人驾驶的分级标准 2
1.1.2无人驾驶到底有多难 3
1.2为什么需要无人驾驶 5
1.2.1提高道路交通安全 5
1.2.2缓解城市交通拥堵 6
1.2.3提升出行效率 6
1.2.4降低驾驶者的门槛 6
1.3无人驾驶系统的基本框架 7
1.3.1环境感知 8
1.3.2定位 10
1.3.3任务规划 11
1.3.4行为规划 12
1.3.5动作规划 13
1.3.6控制系统 15
1.3.7小结 16
1.4开发环境配置 17
1.4.1简单环境安装 17
1.4.2 ROS安装 18
1.4.3 OpenCV安装 19
1.5本章参考文献 19
第2章ROS入门 21
2.1 ROS简介 21
2.1.1 ROS是什么 21
2.1.2 ROS的历史 22
2.1.3 ROS的特性 22
2.2 ROS的核心概念 22
2.3 catkin创建系统 25
2.4 ROS中的项目组织结构 26
2.5基于Husky模拟器的实践 27
2.6 ROS的基本编程 30
2.6.1 ROS C+++编程 30
2.6.2编写简单的发布和订阅程序 32
2.6.3 ROS中的参数服务 34
2.6.4基于Husky机器人的小案例 35
2.7 ROS Service 39
2.8 ROS Action 42
2.9 ROS中的常用工具 43
2.9.1 Rviz 43
2.9.2 rqt 44
2.9.3 TF坐标转换系统 45
2.9.4 URDF和SDF 46
2.10本章参考文献 47
第3章 无人驾驶系统的定位方法 48
3.1实现定位的原理 49
3.2迭代最近点算法 50
3.3正态分布变换 53
3.3.1 NDT算法介绍 54
3.3.2 NDT算法的基本步骤 55
3.3.3 NDT算法的优点 55
3.3.4 NDT算法实例 57
3.4基于GPS＋惯性组合导航的定位系统 60
3.4.1定位原理 61
3.4.2不同传感器的定位融合实现 63
3.5基于SLAM的定位系统 64
3.5.1 SLAM定位原理 65
3.5.2 SLAM应用 67
3.6本章参考文献 69
第4章 状态估计和传感器融合 70
4.1卡尔曼滤波和状态估计 70
4.1.1背景知识 70
4.1.2卡尔曼滤波 71
4.1.3卡尔曼滤波在无人驾驶汽车感知模块中的应用 74
4.2高级运动模型和扩展卡尔曼滤波 83
4.2.1应用于车辆追踪的高级运动模型 83
4.2.2扩展卡尔曼滤波 85
4.3无损卡尔曼滤波 97
4.3.1运动模型 98
4.3.2非线性过程模型和测量模型 99
4.3.3无损变换 99
4.3.4预测 100
4.3.5 测量更新 101
4.3.6小结 103
4.4本章参考文献 103
第5章 机器学习和神经网络基础 104
5.1机器学习基本概念 105
5.2监督学习 107
5.2.1经验风险最小化 107
5.2.2模型、过拟合和欠拟合 108
5.2.3“一定的算法”——梯度下降算法 110
5.2.4小结 111
5.3神经网络基础 111
5.3.1神经网络基本结构 112
5.3.2无限容量——拟合任意函数 114
5.3.3前向传播 115
5.3.4随机梯度下降 117
5.4使用Keras实现神经网络 118
5.4.1数据准备 118
5.4.2三层网络的小变动——深度前馈神经网络 122
5.4.3小结 125
5.5本章参考文献 125
第6章 深度学习和无人驾驶视觉感知 126
6.1深度前馈神经网络——为什么要深 126
6.1.1大数据下的模型训练效率 126
6.1.2表示学习 127
6.2应用于深度神经网络的正则化技术 128
6.2.1数据集增强 129
6.2.2提前终止 130
6.2.3参数范数惩罚 130
6.2.4 Dropout技术 132
6.3实战——交通标志识别 133
6.3.1 BelgiumTS数据集 134
6.3.2数据预处理 138
6.3.3使用Keras构造并训练深度前馈网络 139
6.4卷积神经网络入门 142
6.4.1什么是卷积以及卷积的动机 142
6.4.2稀疏交互 143
6.4.3参数共享 145
6.4.4等变表示 145
6.4.5卷积神经网络 145
6.4.6卷积的一些细节 147
6.5基于YOLO的车辆检测 148
6.5.1预训练分类网络 150
6.5.2训练检测网络 150
6.5.3 YOLO的损失函数 150
6.5.4测试 151
6.5.5基于YOLO的车辆和行人检测 151
6.6本章参考文献 155
第7章 迁移学习和端到端无人驾驶 156
7.1迁移学习 156
7.2端到端无人驾驶 158
7.3端到端无人驾驶模拟 158
7.3.1模拟器的选择 159
7.3.2数据采集和处理 159
7.3.3深度神经网络模型构建 160
7.4本章小结 164
7.5本章参考文献 165
第8章 无人驾驶规划入门 166
8.1无人车路径规划和A算法 166
8.1.1有向图 167
8.1.2广度优先搜索算法 167
8.1.3涉及的数据结构 169
8.1.4如何生成路线 170
8.1.5有方向地进行搜索（启发式） 170
8.1.6 Dijkstra算法 172
8.1.7 A算法 172
8.2分层有限状态机和无人车行为规划 173
8.2.1无人车决策规划系统设计准则 174
8.2.2有限状态机 174
8.2.3分层有限状态机 176
8.2.4状态机在行为规划中的使用 176
8.3基于自由边界三次样条插值的无人车路径生成 178
8.3.1三次样条插值 179
8.3.2三次样条插值算法 182
8.3.3使用Python实现三次样条插值进行路径生成 184
8.4基于Frenet优化轨迹的无人车 动作规划方法 186
8.4.1为什么使用Frenet坐标系 187
8.4.2 Jerk最小化和5次轨迹多项式求解 188
8.4.3 碰撞避免 192
8.4.4基于Frenet优化轨迹的无人车动作规划实例 192
8.5本章参考文献 197
第9章 车辆模型和高级控制 198
9.1运动学自行车模型和动力学自行车模型 198
9.1.1自行车模型 199
9.1.2运动学自行车模型 199
9.1.3动力学自行车模型 200
9.2无人车控制入门 201
9.2.1为什么需要控制理论 201
9.2.2 PID控制 202
9.3基于运动学模型的模型预测控制 210
9.3.1将PID控制应用于转向控制存在的问题 210
9.3.2预测模型 211
9.3.3在线滚动优化 212
9.3.4反馈校正 213
9.4轨迹追踪 214
9.5本章参考文献 220
第10章 深度强化学习及其在自动驾驶中的应用 221
10.1强化学习概述 221
10.2强化学习原理及过程 222
10.2.1马尔可夫决策过程 222
10.2.2强化学习的目标及智能体的要素 223
10.2.3值函数 224
10.3近似价值函数 225
10.4深度Q值网络算法 226
10.4.1 Q_ Learning算法 226
10.4.2 DQN算法 227
10.5策略梯度 229
10.6深度确定性策略梯度及TORCS游戏的控制 230
10.6.1 TORCS游戏简介 230
10.6.2 TORCS游戏环境安装 230
10.6.3深度确定性策略梯度算法 232
10.7本章小结 235
10.8本章参考文献 235