前言
第1章　自動駕駛與車輛安全導論 1
1.1　自動駕駛 1
1.2　整車安全與事故統(tǒng)計 5
1.3　關(guān)鍵增值：電子元件與信號處理 12
1.4　習題 14
第2章　信號處理基礎 15
2.1　線性代數(shù) 15
2.1.1　定義與符號 15
2.1.2　線性代數(shù)常見運算規(guī)則 19
2.1.3　向量與矩陣求導 22
2.1.4　特征值和奇異值分解，矩陣范數(shù) 24
2.2　用拉格朗日乘數(shù)求解優(yōu)化問題 27
2.2.1　帶等式約束條件的優(yōu)化問題 28
2.2.2　帶不等式約束條件的優(yōu)化問題 29
2.3　概率論 31
2.3.1　概率空間和隨機變量 31
2.3.2　條件概率和貝葉斯定理 35
2.3.3　信息論概述 36
2.3.4　高斯隨機變量 37
2.3.5　隨機變量的變換 40
2.3.6　隨機過程 41
2.4　線性系統(tǒng) 45
2.4.1　連續(xù)時間系統(tǒng) 45
2.4.2　離散時間系統(tǒng) 46
2.4.3　離散化 46
2.5　頻域信號濾波 57
2.5.1　線性時不變系統(tǒng)在頻域中的描述 57
2.5.2　低通濾波、帶通濾波和高通濾波 59
2.5.3　碰撞加速度信號的低通濾波 61
2.6　習題 63
第3章　汽車模型和軌跡 70
3.1　用于被動車輛安全的碰撞模型 70
3.1.1　質(zhì)量-彈簧-阻尼器模型 72
3.1.2　多體仿真和有限元計算 79
3.2　涉及自動駕駛和主動車輛安全的車輛動力學模型 80
3.2.1　相對運動 80
3.2.2　交通參與者運動模型 92
3.2.3　車輛運動力學模型 103
3.2.4　單軌模型和轉(zhuǎn)向行為 115
3.2.5　非線性雙軌模型 142
3.3　軌跡規(guī)劃與控制 147
3.4　習題 158
第4章　統(tǒng)計濾波 169
4.1　優(yōu)統(tǒng)計濾波器 169
4.2　卡爾曼濾波器 176
4.2.1　卡爾曼濾波器的推導 176
4.2.2　用卡爾曼濾波器進行跟蹤 189
4.2.3　卡爾曼濾波的推廣 198
4.3　傳感器數(shù)據(jù)融合 199
4.4　習題 205
第5章　機器學習 211
5.1　機器學習概論 211
5.1.1　分類與回歸 212
5.1.2　維數(shù)災難 215
5.1.3　特征向量的規(guī)范化 215
5.1.4　參數(shù)化和非參數(shù)化方法 216
5.1.5　分類和回歸 217
5.1.6　大似然法和大后驗法的參數(shù)估計 218
5.1.7　線性回歸和分類 220
5.1.8　使用softmax函數(shù)進行分類 229
5.1.9　核密度估計、k近鄰分類和核回歸 232
5.1.10　泛化與偏差-方差分解 237
5.1.11　機器學習模型選擇與評估 242
5.1.12　隨機梯度下降法 248
5.1.13　監(jiān)督學習方法概述 251
5.2　人工神經(jīng)網(wǎng)絡和深度學習 251
5.2.1　深度多層感知機 253
5.2.2　反向傳播 257
5.2.3　徑向基函數(shù)神經(jīng)網(wǎng)絡 262
5.2.4　深度卷積神經(jīng)網(wǎng)絡 263
5.3　支持向量機 275
5.3.1　用于分類的支持向量機以及核函數(shù) 275
5.3.2　用于回歸的支持向量機 282
5.4　決策樹和回歸樹 286
5.4.1　決策樹 286
5.4.2　回歸樹 289
5.5　隨機森林 291
5.5.1　袋外誤差 295
5.5.2　通過隨機森林進行特征選擇 296
5.5.3　鄰近性 298
5.6　無監(jiān)督學習 300
5.6.1　聚類分析 300
5.6.2　隨機森林的無監(jiān)督學習 312
5.6.3　自編碼器 314
5.6.4　變量自編碼器和生成式串行網(wǎng)絡 321
5.7　安全自動駕駛的應用 327
5.7.1　道路交通中的危急程度估計 331
5.7.2　碰撞嚴重程度的預測 335
5.7.3　避免碰撞的軌跡規(guī)劃 337
5.7.4　約束系統(tǒng)的觸發(fā) 339
5.7.5　交通場景聚類 341
5.7.6　使用變異自編碼器生成場景 343
5.7.7　靜止狀態(tài)識別 345
5.8　習題 346
符號標記 358
參考文獻 367