描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787111653271
读者对象：高等院校智能科学与技术、自动化、人工智能等专业研究生或高年级本科生的专业基础课程教材，亦可供广大从事人工智能、智能驾驶、决策规划、导航控制领域的科技工作者阅读和思考。
1) 技术硬核。作为智能驾驶技术的前沿领域，市面上关于智能决策、路径规划、导航控制的书屈指可数。本书研究了基于深度强化学习的路径规划方法，完成了几何规则的轨迹跟踪控制，实现了智能导航控制。
2) 案例真实。在阐述技术的同时，紧密结合应用实例。本书通过真实的实验数据、丰富的场景图片，翔实地介绍了一整套操作流程，并对技术的难点进行了总结，给出了可供借鉴的解决方法。
3) 操作性强。本书充分考虑到不同读者的需求，采用通俗易懂的文字，深入浅出地对整个技术进行了介绍；同时，作者提供了一套完整的仿真系统搭建建议，不同的开发者可根据自己的需要进行搭建。
本书主要介绍智能驾驶技术的路径规划与导航控制，内容涉及基于视觉协同显著性交通标志牌检测、地图创建与全局路径规划、车辆行为决策与运动规划、车辆轨迹跟踪控制以及无模型智能驾驶控制技术。书中首先论述了基于聚类、显著性线索分析以及几何约束模型检测交通标志牌的方法。其次，阐述了基于ArcGis分析工具的地图创建和全局路径规划方法。而后，探讨了基于有限状态机的驾驶行为决策方法，在此基础上，利用RRT算法、曲线近似法、Frenet坐标系法分别实现了智能驾驶车辆运动规划。接下来，研究基于深度强化学习的智能驾驶车辆路径规划方法。并完成了几何规则的轨迹跟踪控制，实现了智能驾驶公交的自主泊车。*后，研究了基于数据驱动的智能驾驶公交主动转向控制方法，分别用仿真软件PreScan和TruckSim进行了智能驾驶公交车辆的仿真实验。
本书可作为高等院校智能科学与技术、自动化、人工智能等专业研究生或高年级本科生的专业基础课程教材，亦可供人工智能、智能驾驶、决策规划、导航控制领域的广大科技工作者阅读和思考。
前言
第1章 绪论 1
1.1 智能驾驶公交车辆发展现状 1
1.2 全局路径规划方法研究现状 3
1.3 行为决策与运动规划方法研究现状 4
1.4 跟踪控制方法研究现状 5
参考文献 6
第2章 基于视觉协同显著性的交通标志牌检测 14
2.1 基于视觉协同显著性的交通标志牌检测框架设计 14
2.1.1 基于聚类的图间/图内显著性检测模型子框架 15
2.1.2 几何结构约束模型子框架 15
2.2 基于视觉协同显著性的图像检测算法 18
2.2.1 基于聚类的视觉协同显著性检测 18
2.2.2 视觉显著性线索分析 19
2.2.3 协同显著图的生成 20
2.2.4 各显著性线索的特性分析 22
2.2.5 几何结构约束模型 24
2.3 显著性检测实验与分析 26
2.3.1 单图像显著性检测实验分析 26
2.3.2 图像对协同显著性检测实验分析 28
2.3.3 多图像协同显著性检测实验分析 29
2.3.4 运行速度测试分析 32
2.3.5 聚类数目影响分析 33
2.4 复杂场景中交通标志牌的检测实验分析 34
2.5 本章小结 36
参考文献 36
第3章 智能驾驶公交车辆全局路径规划方法 40
3.1 基于ArcGIS地图创建及全局规划 41
3.1.1 ArcGIS系统概述 41
3.1.2 基于ArcGIS的地图创建 42
3.1.3 基于ArcGIS网络分析工具的全局路径规划 55
3.2 最优路径信息处理 56
3.2.1 全局坐标系转换 56
3.2.2 全局路径插值 57
3.3 地图创建及全局规划仿真实验 58
3.4 本章小结 61
参考文献 61
第4章 智能驾驶公交车辆行为决策与运动规划方法 64
4.1 基于分层有限状态机的智能驾驶公交车辆决策模型 64
4.1.1 顶层状态机设计 65
4.1.2 底层状态机设计 65
4.1.3 双层扩展有限状态机行为决策方法 67
4.1.4 基于分层有限状态机的行为决策实验 67
4.2 基于快速搜索随机树的动态路径规划方法 70
4.2.1 RRT算法 70
4.2.2 基于起点与终点位姿约束的双向RRT算法 71
4.2.3 基于起点与终点位姿约束的RRT算法仿真实验 73
4.3 基于曲线近似的智能驾驶公交车辆动态轨迹规划方法 73
4.3.1 基于贝塞尔曲线的路径平滑与拼接 74
4.3.2 基于约束的多项式动态轨迹规划方法 79
4.4 基于Frenet坐标系的智能驾驶公交车辆运动规划方法 86
4.4.1 Frenet坐标系的建立 86
4.4.2 横纵向轨迹解耦规划 87
4.4.3 基于车辆约束的最优轨迹选择 89
4.4.4 基于Frenet坐标系的轨迹规划仿真实验 90
4.5 智能驾驶公交车辆行为决策与运动规划方法应用实例 100
4.5.1 基于高精度地图与红外信标的智能驾驶公交车辆自动启停实现方法 100
4.5.2 智能驾驶公交车辆行为决策与运动规划实车实验 103
4.6 本章小结 105
参考文献 105
第5章 基于深度强化学习的智能驾驶公交车辆路径规划方法 107
5.1 深度强化学习方法的理论讲解 107
5.1.1 强化学习理论基础 107
5.1.2 深度学习理论基础 112
5.1.3 基于深度强化学习的路径规划概述 113
5.2 基于深度强化学习的网络模型构建 116
5.3 基于深度强化学习的环境模型构建 123
5.3.1 虚拟环境构建 123
5.3.2 环境模型应用策略 124
5.3.3 模型训练 125
5.4 基于深度强化学习的路径规划实现方法 127
5.4.1 深度强化学习的算法框架 127
5.4.2 关键环境回报值选取 128
5.4.3 基于深度强化学习的路径规划方法实验分析 130
5.4.4 多种轨迹规划方法对比实验分析 135
5.5 本章小结 143
参考文献 143
第6章 智能驾驶公交车辆轨迹跟踪控制方法 146
6.1 智能驾驶公交车辆运动学与动力学模型 146
6.1.1 运动学模型 146
6.1.2 动力学模型 147
6.2 智能驾驶公交车辆轨迹跟踪控制 149
6.2.1 基于航向预测的轨迹跟踪控制及仿真 149
6.2.2 基于运动学模型的轨迹跟踪控制 152
6.2.3 智能驾驶公交车辆速度控制方法 155
6.3 智能驾驶公交车辆自主泊车控制 158
6.3.1 基于Akerman转向几何的路径规划 159
6.3.2 基于车辆运动学模型及位置补偿的控制器 160
6.3.3 智能驾驶公交车辆自主泊车仿真验证及实车实验 161
6.4 基于PreScan的智能驾驶公交车辆仿真环境 163
6.4.1 场景搭建 164
6.4.2 联合仿真 172
6.5 本章小结 173
参考文献 174
第7章 基于数据驱动的智能驾驶公交车辆主动转向控制方法 177
7.1 基于数据驱动的主动转向控制系统概述 177
7.1.1 智能驾驶公交车辆主动转向控制系统概述 177
7.1.2 数据驱动控制方法概述 177
7.1.3 轨迹跟踪误差的向量描述 178
7.1.4 基于数据驱动的车辆模型在线辨识方法 179
7.1.5 基于数据驱动的主动转向控制系统框架 181
7.2 基于自抗扰控制的主动转向控制方法 182
7.2.1 自抗扰控制方法概述 182
7.2.2 自抗扰控制器设计 182
7.2.3 基于自抗扰控制的主动转向控制器设计 188
7.3 基于无模型自适应的主动转向控制方法 189
7.3.1 无模型自适应控制方法概述 189
7.3.2 基于预瞄偏差角的跟踪控制方案 189
7.3.3 基于无模型自适应的主动转向控制器设计 190
7.4 基于TruckSim的跟踪控制仿真方法 191
7.4.1 联合仿真平台的搭建 191
7.4.2 仿真环境下跟踪控制性能验证 199
7.4.3 控制器迁移至真实环境的可行性评估 203
7.5 本章小结 204
参考文献 204
附录 206
第8章 智能驾驶技术展望 213
8.1 智能驾驶路径规划技术展望 213
8.2 智能驾驶跟踪控制技术展望 214
8.3 智能驾驶仿真环境展望 215
8.4 技术展望 216
8.5 本章小结 217
参考文献 217
人工智能是新一轮科技革命和产业变革的重要驱动力量，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。要加强基础理论研究，支持科学家勇闯人工智能科技前沿的“无人区”，努力在人工智能发展方向和理论、方法、工具、系统等方面取得变革性、颠覆性突破。智能驾驶是人工智能领域中的重要研究方向，是集环境建模与认知、驾驶行为决策与规划、导航跟踪控制于一体的人机共融系统。
首先，环境感知是建模与认知的基础，而智能驾驶过程中交通标志牌的视觉检测技术是车联网成熟之前最有效的手段之一。近年来，随着生物神经元的发展和大脑视觉皮层中信息处理机制的揭示，模拟构建生物视觉启发模型的目标检测与识别技术，成为人工智能领域又一个极具吸引力和挑战性的热点。为此，本书研究了生物视觉启发的协同显著性目标检测与不变特征提取方法，通过在多个大型公开数据库上实施多种主流算法的对比实验，验证了所提生物视觉启发的交通标志牌检测算法具有高准确率和强鲁棒性。
其次，本书将智能驾驶的路径规划部分分为两个层次：地图构建与全局路径规划、驾驶行为决策与局部路径规划。为此，在基于ArcGIS的地图创建和全局路径规划的基础上，探讨了基于有限状态机的驾驶行为决策方法，并利用RRT算法、曲线近似法、Frenet坐标系分别实现了智能驾驶车辆运动规划，研究了基于深度强化学习的智能驾驶车辆路径规划方法，提出了基于深度强化学习的模型迁移轨迹规划方法，旨在抽象化复杂的真实环境并经模型迁移至虚拟环境中。经训练后得到最优智能驾驶控制序列，以实现对真实环境中智能驾驶公交车辆的端到端轨迹规划。
最后，针对非低速环境下未建模车辆动力学的动态非线性难题，研究基于数据驱动的智能驾驶公交车辆主动转向控制，主要包括自抗扰控制与无模型自适应控制方法。通过在智能驾驶公交车辆主动转向控制中应用这些方法，可以提高车辆横向转向控制的鲁棒性与侧向稳定性。此外，本书还完成了几何规则的轨迹跟踪控制，实现了智能驾驶公交的自主泊车。本书分别利用PreScan和TruckSim仿真软件进行了智能驾驶公交车辆的导航跟踪控制仿真实验，并在此基础上对中车新能源公交车辆进行了智能驾驶的集成验证。
全书共8章。第1章为绪论。第2章对基于视觉协同显著性的交通标志牌的图像检测技术进行设计。第3～5章对智能驾驶的行为决策与路径规划方法进行研究。其中，第3章对智能驾驶公交车辆的全局路径规划与地图创建进行了阐述；第4章在第3章的基础上，设计了分层有限状态机的智能驾驶公交车辆的行为决策模型，并阐述了多种实用的局部路径规划方法；第5章研究基于深度强化学习的智能驾驶公交车辆的路径规划方法。第6、7章对智能驾驶公交车辆的轨迹跟踪控制方法进行研究。其中，第6章在介绍PreScan仿真环境的基础上，设计了自主泊车与轨迹跟踪控制方法；基于此，第7章揭示了基于数据驱动的智能驾驶公交车辆转向控制的技术手段。第8章为智能驾驶技术的总结与展望。本书意在推动人工智能领域中智能驾驶的感知建图、决策规划、导航控制的前沿问题研究，对提升我国无人系统、智慧交通的导航控制水平具有重要意义。
本书得到了国家重点研发计划（2018YFB1201602）、湖南省科技重大专项（2017-GK1010）、湖南省自然科学基金（2018JJ2531，2018JJ2197）、国家自然科学基金（61403426），以及国家重点实验室开放基金重点项目（SKLRS-2017-KF-13，SKLMT-KFKT-201602）的资助。感谢中南大学自动化学院赵于前教授的指导与支持；感谢夏旭梅、孔德成、邵玄雅、严孝鑫、况宗旭、魏亚东、金鸣岳研究生对本书的撰写提供的许多宝贵资料与建议；感谢中南大学自动化学院智能所全体师生的支持、帮助与建议；感谢“参考文献”中所列国内外著作的研究工作者，是他们的扎实工作丰富了本书内容；最后，感谢机械工业出版社李永泉编辑在出版过程中的细致工作。正是他们的付出，才使得本书顺利与广大读者见面。
由于人工智能领域在不断发展，关于模式识别、路径规划、导航控制的理论与应用技术也在不断更新，加上自身研究与实践水平有限，写作时间仓促，书中难免存在不足之处，欢迎读者与专家批评指正。
余伶俐
2020年5月
评论
还没有评论。