新書推薦：
《
状态比能力更重要：108个状态调整法
》
售價：HK$
66.0
《
中国上市公司担保行为的影响因素及其效应研究
》
售價：HK$
43.2
《
企业级数据架构：核心要素、架构模型、数据管理与平台搭建 李杨
》
售價：HK$
118.8
《
政和元年：宋辽金夏的国运博弈与谍战风云
》
售價：HK$
81.6
《
黄金圈法则
》
售價：HK$
93.6
《
全球治理理论：权威、合法性与论争
》
售價：HK$
117.6
《
华尔街幽灵：一位股票投资大师的告白
》
售價：HK$
95.8
《
人生幸好有快乐（一代大师梁实秋至诚分享八十余年的快乐哲学！）
》
售價：HK$
64.8
|
| 編輯推薦： |
|
本书重点关注深度学习、强化学习等人工智能技术以及智能网联技术在智能车辆*的发展。
|
| 內容簡介： |
本书是在作者已经编写出版的《无人驾驶车辆理论与设计》本科生教材的基础上，考虑深度学习、强化学习等人工智能技术以及智能网联技术在智能车辆*发展，同时结合研究生层次的培养特点编写而成的。
全书共8章，包括智能车辆与人工智能概述；智能车辆视觉技术；深度学习与目标检测；智能网联技术；智能车辆行为决策与类人驾驶；智能车辆路径规划与运动规划；智能车辆模型预测控制方法；以及基于ROS V-REP的智能车辆测试方法和考虑驾乘人员主观感受的智能车辆主客观评价方法。
|
| 關於作者： |
|
陈慧岩，北京理工大学机械与车辆学院教授，博士生导师，工学博士。主要从事地面无人机动平台基础技术、智能车辆技术、车辆传动技术研究工作。承担国家自然科学基金重点项目和培育项目各1项；承担国家武器装备型号项目多项；承担国家863计划项目多项。已发表学术论文100余篇，获得国家科技进步一等奖1项，部级科技进步一等奖1项、二等奖5项，获得国家教学成果二等奖1项，获得北京市优秀教学成果奖1项。享受国务院政府特殊津贴。
|
| 目錄：
|
第1章 智能车辆与人工智能概述
1.1智能车辆概述
1.2人工智能概述
1.3滤波技术基础
1.3.1 卡尔曼滤波
1.3.2 粒子滤波
1.4 智能车辆体系结构
1.4.1 RCS系统运行机制介绍
1.4.2 数据采集与回放系统
习题
第2章 智能车辆视觉技术
2.1 基于三维激光雷达的目标检测与跟踪
2.1.1 栅格地图创建
2.1.2 目标聚类与检测
2.1.3 目标数据关联
2.1.4 动态目标状态估计
2.2 使用机器视觉的可通行区域检测
2.2.1 特征提取算法
2.2.2 基于FSVM和AdaBoost的特征选择算法
2.2.3 SVM模型的训练与分类
2.3 视觉SLAM
2.3.1 算法框架与前端搭建
2.3.2 图优化概述
2.3.3 非回环分层模型
2.4 实例---用ORB-SLAM2方法对KITTI数据集计算
习题
第3章 深度学习与目标检测
3.1 卷积神经网络
3.1.1 卷积神经网络模型结构
3.1.2 卷积神经网络的前向传播算法
3.1.3 卷积神经网络的反向传播算法
3.2 CNN卷积神经网络改进
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 训练框架
3.3.1 Caffe
3.3.2 Tensorflow
3.3.3 Torch、MXNET与Keras
3.4 深度学习在智能车辆上应用实例分析
3.4.1 基于深度学习的车道线检测
3.4.2 Caffe SSD目标检测实例介绍
习题
第4章 智能网联技术
4.1 基于网联技术的多车编队自动驾驶
4.1.1 车辆编队总体方案
4.1.2 多车编队系统架构
4.1.3 编队车辆平台软件结构
4.2 V2V通信与车载传感器信息融合的匝道入口避撞系统
4.2.1 基于车载传感器与V2V通信的避撞系统
4.2.2 综合V2V通信与车载传感器信息的匝道入口避撞系统
4.2.3匝道避碰系统仿真分析
4.3基于V2V的遮挡情况下的AEB技术
4.3.1 在遮挡环境下基于V2V通信的AEB系统
4.3.2 基于PreScanmatlab的模型搭建
4.3.3 三车V2V避撞仿真分析
习题
第5章 智能决策与类人驾驶
5.1 高速道路环境下智能车辆超车行为决策
5.1.1 基于层次状态机的超车行为建模
5.1.2 基于人工神经网络的超车意图产生
5.1.3 基于规则的超车条件判定
5.2 无信号灯十字交叉口智能车辆行为决策
5.2.1 无信号灯十字交叉口场景分析
5.2.2基于模糊逻辑的驾驶员激进程度识别
5.2.3基于相对驾驶激进程度的无信号灯交叉口决策方法
5.3 车辆跟驰类人驾驶学习系统
5.3.1 类人驾驶学习系统设计
5.3.2 强化学习与马尔科夫决策过程
5.3.3 Q Learning与NQLNeural-Q Learning
5.3.4 NQL求解过程
5.3.5 NQL算法流程
5.4 定距离跟驰仿真试验
5.4.1仿真系统设计
5.4.2 定距离跟驰模型
5.4.3 试验结果与分析
习题
第6章 智能车辆路径规划与运动规划
6.1 实时、增量式路径规划
6.1.1 概述
6.1.2 增量式路径规划算法
6.1.3 变维度状态空间的实时、增量式路径规划
6.2 局部路径规划
6.2.1 局部路径生成算法
6.2.2 避障分析与路径选择
6.3 运动规划与行驶模式
6.3.1规划方法设计思路
6.3.2速度规划方法
6.3.3行驶模式分析
习题
第7章 智能车辆模型预测控制
7.1 车辆动力学和轮胎模型
7.1.1 车辆动力学模型
7.1.2 轮胎模型
7.2 模型预测控制理论推导与求解
7.2.1 模型预测控制算法
7.2.2 非线性模型预测控制
7.2.3 线性时变模型预测控制
7.3 基于动力学模型的前轮主动转向控制
习题
第8章 智能车辆测试与评价
8.1 基于ROS V-REP的智能车辆测试方法
8.1.1 安装ROS V-REP
8.1.2 模型搭建
8.1.3 联合仿真测试
8.2复杂交通环境智能车辆评价方法
8.2.1复杂交通环境下智能车辆性能测试内容
8.2.2 基于集成测试方法的性能测试
8.2.3 智能车辆性能测试环境构建
8.2.4智能车辆性能评价方法
习题
参考文献
|
| 內容試閱：
|
前言
近年来，随着全球人工智能技术的发展，智能车辆技术得到了迅猛的发展。
2017年12月，北京市在国内首次发布关于自动驾驶上路测试的相关政策文件，进一步在全国范围内掀起了智能车辆研究热潮。
与智能车辆技术如火如荼的发展大潮不相配的是，人才的紧缺。高等院校承担着人才培养的重任。北京理工大学机械工程2016版硕士研究生培养方案中已经增设了智能车辆相关课程。本书正是在北京理工大学研究生院的资助下，着手编写的面向研究生的教材。
本书也是我们已经编写出版的无人驾驶车辆理论与设计本科生教材的提高篇。在本科生教材中，我们从初学者更容易理解的感知、定位导航、路径规划以及路径跟踪等角度进行了介绍，更强调基础知识。本书则主要考虑深度学习、强化学习等人工智能技术以及智能网联技术在智能车辆最新的发展，同时结合研究生层次的培养特点进行撰写。
全书共8章。第1章介绍了智能车辆研究范畴，并对人工智能、机器学习、深度学习以及滤波技术基础进行了介绍。第2章从广义的角度把智能车辆所用的视觉传感器，分为主动视觉传感器（如激光雷达）和被动视觉传感器（如摄像机），并从使用主动视觉传感器和使用被动视觉传感器的角度介绍了智能车辆视觉技术，包括基于三维激光雷达的目标检测、使用机器视觉（摄像机）的可通行区域检测、视觉SLAM。第3章介绍了深度卷积神经网络（Deep
Convolutional Neural Networks）、深度学习Deep
Learning基本框架结构；并通过实例介绍了深度学习在智能车辆目标检测中的应用。第4章以基于网联技术的多车编队自动驾驶为例，介绍了智能网联系统结构、行车规则和编队各车之间的信息传输规则及通信软件结构；以V2V通信与车载传感器信息融合的匝道入口避撞系统为例，对比分析了有无V2V通信以及二者信息融合的自动驾驶系统；以基于V2V的遮挡情况下的AEB技术为例，介绍了必须引入V2X的自动驾驶场景，并分析了通信时延的影响。第5章介绍了智能车辆行为决策与类人驾驶，包括高速道路环境下智能车辆超车行为决策、无信号灯交叉口智能车辆行为决策以及基于强化学习的车辆跟驰问题的类人驾驶学习系统。第6章介绍了智能车辆路径规划与速度规划。第7章介绍了智能车辆模型预测控制方法。第8章介绍了基于ROS V-REP的智能车辆测试方法，以及考虑驾乘人员主观感受的智能车辆主客观评价方法。为了方便教学，书中适当章节增加了ORB-SLAM、Caffe
SSD、Prescan、ROS V-REP等相关实例分析。
本书由陈慧岩、熊光明、龚建伟、邸慧军主编。北京理工大学智能车辆研究所教师翟涌、吕超、吴绍斌，博士研究生张玉、刘凯、王威、杨磊，硕士研究生尧玲、王超、李明红、徐乐、朱宝昌、康子怡、杨天、丁泽亮、吴孟泽、周昌仪参加了部分章节的编写及部分文字、图表的修订工作。
本书在编写过程中参考了国内外公开发表的资料，在此向相关资料的作者表示感谢。
智能车辆理论仍在不断发展过程中，我们将根据技术进展以及实际教学效果，及时修改完善本教材，欢迎社会各界提出意见和建议，以满足智能车辆高层次人才培养的需要。
编者
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
