汽车安全与自动驾驶 信号处理和机器学习基础

1.本书介绍了车辆整体安全和自动驾驶领域中需要用到的信号处理和机器学习方法，参考了英戈尔施塔特工业技术大学和慕尼黑工业大学所开设的诸多课程，如车辆安全中的信号处理、传感器技术与信号处理、集成安全与辅助系统、信号处理的数学方法、凸优化、统计信号处理和信号处理与机器学习等课程。2. 全书从自动驾驶计算所需的基础知识讲起，以信号处理相关算法为基础，引入了对应的车辆模型、轨迹算法和行车中的统计信号处理方法，并着重介绍了机器学习及其在该领域的应用。为了能自行设计并实现车辆控制中的自动干预算法，本书提供了相关的数学基础知识。各个重点内容将形象地通过习题与解题示例来阐明。对于有编程需求的习题，本书还提供了相应的MATLAB 脚本。3. 这本书适合在智能汽车、自动驾驶领域的工程师翻阅参考，也适合从事AI算法研究的工程师用于补充车辆动力学知识，同时由于本书具备较为系统完备的知识体系，这本书也适合高校相关专业的师生作为教材使用。4.一些国外读者评论如下： “这本书为在不久的将来实现自动驾驶的功能和应用程序的设计提供了许多推动力。因此，我可以向任何感兴趣的人推荐这本书，我相信这本书将成为汽车安全领域工程师的标准著作。” “本书描述了实现整体车辆安全功能和自动驾驶的工程原理。这部作品结构非常好，让读者详细了解了本主题的技术复杂性”。 “本书涵盖了信号处理、车辆模型和机器学习的数学基础知识。但是这个“基础”级别非常高，对于硕士生或工程师来说，它为研究和开发活动提供了坚实的基础。” “这本书的独特之处在于公式和模型的详细数学推导。所描述的模型通过许多应用示例和练习进行了补充。”

本书涵盖了在整体车辆安全和自动驾驶领域中需要用到的信号处理和机器学习方法，以信号处理相关算法为基础，引入了对应的车辆模型、轨迹算法和行车中的统计信号处理方法，并着重介绍了机器学习及其在该领域的应用。为了能自行设计并实现车辆控制中的自动干预算法，本书提供了相关的数学基础知识。各个重点内容将形象地通过习题与解题示例来阐明。对于有编程需求的习题，本书还提供了相应的MATLAB 脚本。
本书可供汽车领域的工程师阅读参考，也可作为高等院校车辆工程、电气工程、机电工程和计算机科学专业师生的教学参考书。

前言
第1章自动驾驶与车辆安全导论1
1.1自动驾驶1
1.2整车安全与事故统计5
1.3关键增值：电子元件与信号处理12
1.4习题14
第2章信号处理基础15
2.1线性代数15
2.1.1定义与符号15
2.1.2线性代数常见运算规则19
2.1.3向量与矩阵求导22
2.1.4特征值和奇异值分解，矩阵范数24
2.2用拉格朗日乘数求解优化问题27
2.2.1带等式约束条件的优化问题28
2.2.2带不等式约束条件的优化问题29
2.3概率论31
2.3.1概率空间和随机变量31
2.3.2条件概率和贝叶斯定理35
2.3.3信息论概述36
2.3.4高斯随机变量37
2.3.5随机变量的变换40
2.3.6随机过程41
2.4线性系统45
2.4.1连续时间系统45
2.4.2离散时间系统46
2.4.3离散化46
2.5频域信号滤波57
2.5.1线性时不变系统在频域中的描述57
2.5.2低通滤波、带通滤波和高通滤波59
2.5.3碰撞加速度信号的低通滤波61
2.6习题63
第3章汽车模型和轨迹70
3.1用于被动车辆安全的碰撞模型70
3.1.1质量-弹簧-阻尼器模型72
3.1.2多体仿真和有限元计算79
3.2涉及自动驾驶和主动车辆安全的车辆动力学模型80
3.2.1相对运动80
3.2.2交通参与者运动模型92
3.2.3车辆运动力学模型103
3.2.4单轨模型和转向行为115
3.2.5非线性双轨模型142
3.3轨迹规划与控制147
3.4习题158
第4章统计滤波169
4.1优统计滤波器169
4.2卡尔曼滤波器176
4.2.1卡尔曼滤波器的推导176
4.2.2用卡尔曼滤波器进行跟踪189
4.2.3卡尔曼滤波的推广198
4.3传感器数据融合199
4.4习题205
第5章机器学习211
5.1机器学习概论211
5.1.1分类与回归212
5.1.2维数灾难215
5.1.3特征向量的规范化215
5.1.4参数化和非参数化方法216
5.1.5分类和回归217
5.1.6大似然法和大后验法的参数估计218
5.1.7线性回归和分类220
5.1.8使用softmax函数进行分类229
5.1.9核密度估计、k近邻分类和核回归232
5.1.10泛化与偏差-方差分解237
5.1.11机器学习模型选择与评估242
5.1.12随机梯度下降法248
5.1.13监督学习方法概述251
5.2人工神经网络和深度学习251
5.2.1深度多层感知机253
5.2.2反向传播257
5.2.3径向基函数神经网络262
5.2.4深度卷积神经网络263
5.3支持向量机275
5.3.1用于分类的支持向量机以及核函数275
5.3.2用于回归的支持向量机282
5.4决策树和回归树286
5.4.1决策树286
5.4.2回归树289
5.5随机森林291
5.5.1袋外误差295
5.5.2通过随机森林进行特征选择296
5.5.3邻近性298
5.6无监督学习300
5.6.1聚类分析300
5.6.2随机森林的无监督学习312
5.6.3自编码器314
5.6.4变量自编码器和生成式串行网络321
5.7安全自动驾驶的应用327
5.7.1道路交通中的危急程度估计331
5.7.2碰撞严重程度的预测335
5.7.3避免碰撞的轨迹规划337
5.7.4约束系统的触发339
5.7.5交通场景聚类341
5.7.6使用变异自编码器生成场景343
5.7.7静止状态识别345
5.8习题346
符号标记358
参考文献367