本书由活跃于自动驾驶各个领域的专家执笔，讲解最前沿的自动驾驶技术。前半部分在介绍自动驾驶技术的基础上，讲解自动驾驶的各项功能，包括环境识别和预测，地图生成和自车定位，自动驾驶车辆的决策，纵横方向的车辆运动控制，多车协同控制，自动驾驶技术的开发工具。后半部分重点讲解深度学习和深度强化学习，以及深度学习的技能。
本书主要面向自动驾驶领域的研究人员和工程师，还可作为高等院校车辆工程、自动化控制等相关专业师生的参考用书。

荒井幸代，千叶大学研究生院工学研究院教授，工学博土。

第1章 自动驾驶技术概述
1.1 自动驾驶的整体流程
1.1.1 机动车的使用目的和自动驾驶
1.1.2 自动驾驶功能的子系统
1.1.3 自动驾驶系统的工作流程
1.2 自动驾驶的硬件结构
1.2.1 用于环境识别的外部传感器
1.2.2 GNSS
1.2.3 地图上的自车定位与地图更新
1.2.4 驾驶员监控技术
1.2.5 硬件结构
1.3 确保自动驾驶的安全性和可靠性
1.3.1 系统的功能安全策略
1.3.2 自动驾驶的可靠性保障
1.4 实现全自动驾驶面临的问题
1.4.1 自动驾驶与道路交通环境
1.4.2 自动驾驶及其社会接受度
1.4.3 人工智能在自动驾驶中的必要性和面临的问题
1.4.4 问题总结
第2章 环境识别和预测
2.1 手工提取特征量的环境识别
2.1.1 探测行人和车辆
2.1.2 手工提取特征量的优势
2.2 深度学习的环境识别
2.2.1 探测行人和车辆
2.2.2 语义分割
2.2.3 深度学习的环境识别问题
2.3 行人的路径预测
2.3.1 基于贝叶斯模型的方法
2.3.2 基于深度学习的方法
2.3.3 RNN和LSTM
2.3.4 基于LSTM的方法
2.3.5 考虑到行人交互的路径预测
2.4 其他车辆的路径预测
2.4.1 概述
2.4.2 考虑移动体间相互影响的预测
2.4.3 生成多种候选的预测
2.5 深度学习模型的压缩
2.5.1 剪枝与量化
2.5.2 矩阵分解
2.5.3 知识蒸馏
2.5.4 网络结构搜索
第3章 地图生成和自车定位
3.1 自动驾驶中的地图和自车定位的作用
3.2 高精地图
3.2.1 点云地图
3.2.2 矢量地图
3.3 点云地图的生成方法
3.3.1 MMS
3.3.2 SLAM
3.4 矢量地图的生成方法
3.5 用地图进行自车定位
3.5.1 通过三维点云和LiDAR进行自车定位
3.5.2 其他方法
3.5.3 传感器协调合作
3.6 应用卫星定位的自车定位
3.6.1 应用卫星定位和RTK-GNSS的厘米级自车定位
3.6.2 卫星定位与IMU协调合作，实现更加稳健的自车定位
第4章 自动驾驶车辆的决策
4.1 决策概述
4.2 路径规划
4.3 运动规划
4.3.1 运动规划的输入
4.3.2 运动规划的处理流程
4.3.3 参考状态迁移图的运动规划
4.3.4 采用学习行为的运动规划
4.4 轨迹生成
4.4.1 轨迹生成模块的输入
4.4.2 轨迹生成的处理
4.4.3 不采用学习行为的轨迹生成
4.4.4 采用学习行为的轨迹生成
4.5 决策功能的实用化
4.5.1 决策功能的开发情况
4.5.2 深度学习在决策功能中的应用问题
4.5.3 提高安全性
第5章 纵横方向的车辆运动控制
5.1 自动驾驶系统和ADAS的关系
5.2 ADAS技术
5.2.1 纵向车辆运动控制
5.2.2 横向车辆运动控制
5.2.3 纵横两个方向的车辆运动控制
5.3 自动驾驶系统的控制技术
5.3.1 车辆模型
5.3.2 PID控制
5.3.3 纯追踪算法
5.3.4 模型预测控制
5.4 控制系统的设计及性能评价
5.4.1 控制系统的调节
5.4.2 与感知系统评价方法的不同
5.4.3 形式模型的安全性评价
5.5 深度学习在车辆运动控制中的应用探究
5.5.1 神经网络PID
5.5.2 端到端（End-to-End）自动驾驶及其面临的问题
第6章 多车协同控制
6.1 互让
6.1.1 互让概述
6.1.2 相关研究
6.1.3 遥控汽车实验示例
6.1.4 遥控汽车通过DQN互让的示例
6.2 列队行驶
6.2.1 列队行驶的概要及效果
6.2.2 前后方向的控制
6.2.3 左右方向的控制
6.2.4 列队行驶控制示例
第7章 自动驾驶技术的开发工具
7.1 环境识别、自车定位数据集
7.1.1 数据集
7.1.2 KITTI数据集
7.1.3 数据集的陷阱
7.2 地图（HD地图）
7.2.1 OpenDRIVE
7.2.2 Lanelet
7.3 自动驾驶平台
7.3.1 Autoware的整体情况和深度学习的相关功能
7.3.2 Apollo的整体情况和深度学习的相关功能
7.3.3 Autoware和Apollo的比较和尚待解决的问题
7.4 自动驾驶模拟器
7.4.1 免费模拟器示例
7.4.2 免费模拟器比较
第8章 深度学习的基础
8.1 机器学习、深度学习
8.1.1 机器学习概述
8.1.2 深度学习的必要性
8.2 神经网络的基本结构
8.2.1 输入层
8.2.2 隐藏层
8.2.3 输出层
8.3 神经网络的学习方法
8.3.1 损失函数
8.3.2 概率性梯度下降法
8.3.3 误差反向传播法
8.3.4 其他技术
第9章 深度强化学习
9.1 深度强化学习概述
9.2 强化学习的概述、方法和深度强化学习扩展
9.2.1 强化学习的基础
9.2.2 强化学习和函数拟合
9.3 基于价值的方法
9.3.1 DQN
9.3.2 DQN的改良
9.3.3 强化学