《无人驾驶：人工智能如何颠覆汽车（双色版）》是为从事无人驾驶车辆（智能网联汽车）开发相关工作人员的入门技术书。作者分享了他们打造无人驾驶车辆系统的实践经验。《无人驾驶：人工智能如何颠覆汽车（双色版）》由9章组成，第1章概述了无人驾驶系统；第2章着重介绍无人驾驶车辆定位技术；第3章讨论了传统的环境感知技术；第4章讨论基于深度学习的环境感知技术；第5章介绍了行为预测和路径规划技术；第6章着重介绍运动决策、规划与控制子系统的反馈控制；第7章介绍基于增强学习的规划和控制技术；第8章深入研究无人驾驶客户端系统的设计细节；第9章详细介绍了无人驾驶云平台。
《无人驾驶：人工智能如何颠覆汽车（双色版）》对在校学生、研究人员和相关从业人员都大有益处。无论你是本科生还是研究生，只要对无人驾驶感兴趣，都可以在这里找到无人驾驶技术的全面介绍。
适读人群 ：从事无人驾驶/自动驾驶/智能汽车的工程技术人员、学生、教师和研究人员，对无人驾驶感兴趣的非专业人员 本书由百度硅谷一线工程师和IEEE计算机协会主席联袂编著，作者团队在各自的领域造诣深厚，有着丰富的无人驾驶汽车技术研究开发经验，很适合作为无人驾驶/自动驾驶/智能车辆总体认识和技术入门图书来阅读。本书由吉林大学马芳武教授无人驾驶团队翻译。
无人驾驶车辆，无论是在陆地、水上还是在空中，都出现在我们身边，并不断寻找无数新的应用场景，比如无人驾驶出租车服务到偏远地区。过去几十年持续的技术进步使得这些创新成为可能，同时也需要克服很多艰巨的难题以实现无人驾驶系统性能高效、实用、安全。
因此，本书的目的是对这些难题进行介绍，并引导读者了解一些常见的解决方案。高超的技术水平、软硬件的完全集成以及云平台的深度协同是最终成功的必要条件。无人驾驶在地面车辆，或者更具体地说，在城市、乡村道路环境中的车辆以及越野车辆中的应用是本书介绍的重点。本书面向学术界或工业界的工程师，目的在于展示在无人驾驶车辆研发过程中遇到的问题、解决方案和未来的研究热点，具体包括感知与认知、执行控制以及云端服务器。本书罗列出大量的参考文献资料，将帮助读者快速阅览前人的工作。
下面对本书的结构做简单介绍。
第１章简述了信息技术的发展历史，并对无人驾驶系统体系结构和所需的相关基础设施的算法进行了概述。
定位是无人驾驶最重要的任务之一。第２章介绍了最常用的无人驾驶定位方法，详细讲述了全球导航卫星系统、惯性定位导航系统、激光雷达和轮式里程计的原理和优缺点，并讨论了各个方法的融合。
第３章介绍了目标检测，即基于传感器数据的环境理解，并探究各种目前使用的算法，包括场景理解、图像流、目标跟踪等。
第４章介绍了深度学习在无人驾驶环境感知系统的应用，包括大型数据集以及需要高度复杂计算的图像分类、目标检测、语义分割等，其中详细讲述了目标检测、语义分割和图像流。
当无人驾驶车辆对环境进行理解时，它必须以某种方式预测未来的事件（例如在其附近的另一辆车辆的运动）并规划自己的路线，这是第５章的主要内容。
接下来的第６章，对生成决策、规划和控制进行了更细致的阐述，并对在遇到潜在的正交决策以及解决方案冲突时（例如，一个模块推荐换道，而另一个模块已经在所述车道中检测到障碍物）各个模块间的相互反馈，尤其是决策生成（马尔可夫决策过程，基于场景的分治法）和运动规划的算法进行了介绍。
第７章展示了在基于强化学习的规划和控制方面补充设计的需要，以便在无人驾驶系统的开发过程中将情境与场景完全集成。
车载计算平台是第８章的主题，它包括对机器人操作系统的介绍，然后是对所使用的实际硬件的总结，同时提出了使用异构计算以满足实时计算以及实际车载（功耗和散热）的强烈需求。这意味着必须使用各种处理单元，包括通用中央处理器（ＣＰＵ）、图形处理器（ＧＰＵ）、现场可编程逻辑门阵列（ＦＰＧＡ）等。
最后，第９章介绍了用于“捆绑在一起”的云平台的基础架构，该架构为新算法开发、离线深度学习模型训练和高精度地图生成服务提供分布式仿真测试。
编者
刘少山博士是PerceptIn的主席和创始人之一，他的研究重点是计算机架构、大数据平台、深度学习基础框架和机器人技术，他曾担任百度硅谷无人驾驶系统团队负责人。
李力耘博士现于百度硅谷研究中心担任软件架构师。作为百度无人驾驶团队的早期成员之一，他一直在主导和推进其无人驾驶技术的开发，包括百度无人驾驶车辆的智能行为决策、运动规划和车辆控制等。
唐洁博士现担任华南理工大学计算机科学与工程学院副教授。
吴双博士现为Yitu公司科学家，曾担任百度硅谷人工智能实验室高级研究员，在百度USDC担任高级架构师。
琼卢克﹒高迪奥特（JeanLuc Gaudiot）博士目前担任加州大学欧文分校电子工程和计算机科学系教授，他曾担任IEEE内部多种职位，并于2017年当选为IEEE计算机协会主席。
第１章无人驾驶系统简介
１.１无人驾驶技术概述／００２
１.２无人驾驶算法／００２
１.２.１传感／００３
１.２.２感知／００４
１.２.３目标识别与跟踪／００６
１.２.４决策／００６
１.３无人驾驶客户端系统／００８
１.３??１机器人操作系统／００８
１.３??２硬件平台／０１１
１.４无人驾驶云平台／０１１
１.４.１仿真模拟／０１１
１.４.２高精度地图生成／０１２
１.４.３深度学习模型训练／０１３
１.５一切刚刚开始／０１４
第２章无人驾驶车辆的定位系统
２.１采用全球导航卫星系统定位／０１５
２.１.１ＧＮＳＳ概述／０１５
２.１.２ＧＮＳＳ误差分析／０１７
２.１.３星基增强系统／０１８
２.１.４载波相位差分技术和差分ＧＮＳＳ／０１９
２.１.５精确点定位／０２０
２.１.６全球定位系统和惯性导航系统的融合／０２２
２.２采用激光雷达和高精度地图定位／０２３
２.２.１激光雷达概述／０２３
２.２.２高精度地图概述／０２６
２.２.３激光雷达和高精度地图定位／０３０
２.３视觉里程计／０３４
２.３.１立体视觉里程计／０３５
２.３.２单目视觉里程计／０３６
２.３.３视觉惯性里程计／０３６
２.４航位推算和轮式里程计／０３８
２.４.１轮式编码器／０３８
２.４.２轮式里程计误差／０３９
２.４.３减少轮式里程计误差／０４０
２.５多传感器融合／０４２
２.５.１卡内基梅隆大学无人驾驶城市挑战赛车Ｂｏｓｓ／０４２
２.５.２斯坦福大学无人驾驶城市挑战赛车Ｊｕｎｉｏｒ／０４４
２.５.３梅赛德斯奔驰无人驾驶车Ｂｅｒｔｈａ／０４５
参考文献／０４７
第３章无人驾驶的感知系统
３.１概述／０５１
３.２数据集／０５２
３.３目标识别／０５４
３.４语义分割／０５６
３.５立体视觉、光流和场景流／０５８
３.５.１立体视觉与深度信息／０５８
３.５.２光流／０５９
３.５.３场景流／０５９
３.６目标跟踪／０６１
３.７总结／０６３
参考文献／０６４
第４章深度学习在无人驾驶感知系统中的应用
４.１卷积神经网络／０６８
４.２目标检测／０６９
４.３语义分割／０７２
４.４立体视觉和光流／０７５
４.４.１立体视觉／０７５
４.４.２光流／０７６
４.５总结／０７９
参考文献／０８０
第５章预测与路径规划
５.１规划与控制模块概览／０８２
５.１.１架构：广义上的规划与控制／０８２
５.１.２各个模块的范围：以模块的方式解决问题／０８４
５.２交通预测／０８７
５.２.１将行为预测作为分类问题／０８８
５.２.２车辆轨迹生成／０９３
５.３车道级的路径规划／０９４
５.３.１为路径规划创建权重有向图／０９６
５.３.２典型的路径规划算法／０９８
５.３.３规划图损失：强弱路径规划／１０２
５.４总结／１０３
参考文献／１０３
第６章决策、规划和控制
６.１行为决策／１０５
６.１.１马尔可夫决策过程方法／１０７
６.１.２基于场景的分治法／１０９
６.２运动规划／１１６
６.２.１车辆模型、道路模型、ＳＬ坐标系／１１８
６.２.２划分为路径规划和速度规划的运动规划／１１９
６.２.３划分为纵向规划和横向规划的运动规划／１２６
６.３反馈控制／１３０
６.３.１自行车模型／１３０
６.３.２ＰＩＤ控制／１３２
６??４总结／１３３
参考文献／１３４
第７章基于增强学习的规划和控制
７.１概述／１３６
７.２增强学习／１３８
７.２.１Ｑ?学习／１４０
７.２.２ＡＣＴＯＲ?ＣＲＩＴＩＣ方法／１４４
７.３无人驾驶中基于学习的规划和控制／１４６
７.３.１行为决策中的增强学习／１４７
７.３??.２基于增强学习的规划和控制／１４７
７.４总结／１５０
参考文献／１５０
第８章无人驾驶客户端系统
８.１无人驾驶系统：一个复杂的系统／１５２
８.２无人驾驶的操作系统／１５４
８.２.１ＲＯＳ综述／１５４
８.２.２系统可靠性／１５６
８.２.３性能优化／１５７
８.２.４资源管理与安全性／１５７
８.３计算平台／１５８
８.３.１计算平台的实现／１５８
８.３.２现有的计算解决方案／１５９
８.３.３计算机体系结构设计的探索／１６０
参考文献／１６４
第９章无人驾驶云平台
９.１概述／１６５
９.２基础架构／１６６
９.２.１分布式计算框架／１６７
９.２.２分布式存储／１６７
９.２.３异构计算／１６８
９.３仿真模拟／１７０
９.３.１ＢｉｎＰｉｐｅＲＤＤ／１７１
９.３.２连接ＲＯＳ与Ｓｐａｒｋ引擎／１７２
９.３??３性能表现／１７３
９.４模型训练／１７３
９.４.１为什么使用Ｓ
书单推荐
