智能车辆理论与应用--慕课版(第2版)

本书是《智能车辆理论与应用》一书的修订版（第2版），同时也是“智能车辆理论与应用”研究生慕课配套教材。全书共9章，包括：概述；智能车辆环境感知；深度学习及其在环境感知中的应用；智能车辆SLAM；智能车辆行为决策；智能车辆运动规划；智能车辆模型预测控制；智能网联；智能车辆测试方法与评价。 为了方便教学，书中增加了大量的实际操作案例，包括基于ROS框架的可通行区域检测、基于Python库scikit-learn的激光雷达点云负障碍检测、基于Adaboost与摄像机图像的车辆检测、采用ResNet模型使用Keras框架的场景识别、自制数据集并训练YOLO v5检测模型、ORB SLAM、ROS与V-REP联合仿真实现运动规划案例、综合测试案例等。 本书可作为高等院校机械工程、自动化、计算机等专业的研究生教材，也可供各类具有一定基础知识的智能车辆从业人员参考使用。

熊光明，北京理工大学机械与车辆学院副教授，工学博士。长期从事智能车辆科研/教学工作，发表SCI/EI论文60多篇，编著有智能车辆相关书籍6部，授权国家发明专利二十余项。获2014年度汽车工程学会优秀论文奖。2015年获得北京理工大学优秀硕士生指导教师称号。2017年获得部级科技进步二等奖1项，获得兵器集团科技进步三等奖1项。编著“无人驾驶汽车概论”获得兵工高校优秀教材一等奖。2017年获北京理工大学优秀教学成果一等奖。编著“无人驾驶车辆理论与设计”获得2019年兵工高校精品教材和北京理工大学精品教材。2020年获北京理工大学优秀教学成果二等奖。2021年编写教材入选工信部十四五规划教材。

第1章 概论 1.1 智能车辆概述 1.2 人工智能概述 1.3 智能车辆体系结构 第2章 智能车辆环境感知 2.1 以斜坡为例的可通行区域检测 2.1.1 检测原理 2.1.2 场景构建 2.1.3 检测程序 2.1.4 操作步骤 2.2 基于机器学习与激光雷达点云的负障碍检测 2.2.1 三种机器学习算法介绍 2.2.2 数据采集与处理 2.2.3 基于Python库scikit-learn的实现 2.3 基于Adaboost与摄像机图像的车辆检测 2.3.1 分类器训练参数设置 2.3.2 正负样本的提供 2.3.3 训练分类器 2.3.4 使用级联分类器检测 第3章 深度学习及其在环境感知中的应用 3.1 卷积神经网络 3.2 越野环境场景识别 3.2.1 场景数据集 3.2.2 道路类型识别 3.3 目标检测模型及其在智能车上的应用 3.3.1 YOLO系列目标检测模型 3.3.2 应用案例 3.4 基于深度学习的车道线语义分割 3.4.1 车道线分割网络设计与训练 3.4.2 车道线检测网络的压缩与加速 第4章 智能车辆SLAM 4.1 SLAM概述 4.2 视觉SLAM 4.2.1 算法框架与前端搭建 4.2.2 图优化概述 4.2.3 非回环分层模型 4.2.4 ORB-SLAM运行及数据处理 4.3 激光雷达SLAM 4.3.1 激光雷达SLAM概述 4.3.2 基于特征概率栅格地图的激光雷达里程计 4.3.3 基于图优化的激光雷达SLAM后端 第5章 智能车辆行为决策 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