自動駕駛中的人工智能

前　言第1 章人工智能與自動駕駛概述1.1　自動駕駛概述／ ００１１.１.１　自動駕駛相關(guān)術(shù)語／ ００１１.１.２　自動駕駛分級／ ００２１.１.３　自動駕駛主要任務(wù)／ ００５1.2　人工智能概述／ ００６１.２.１　人工智能的起源與發(fā)展／ ００７１.２.２　人工智能的分類／ ０１０１.２.３　神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)／ ０１１１.２.４　人工智能的爆發(fā)與機(jī)遇／ ０１６1.3　自動駕駛——人工智能競技場／ ０２０１.３.１　自動駕駛的發(fā)展歷程／ ０２０１.３.２　自動駕駛中的ＡＩ 技術(shù)／ ０２１１.３.３　自動駕駛對人工智能的挑戰(zhàn)／ ０２３參考文獻(xiàn)／ ０２７第2 章人工智能與優(yōu)化控制2.1　基于學(xué)習(xí)的優(yōu)化控制／ ０３１２.１.１　概述／ ０３２２.１.２　機(jī)器學(xué)習(xí)在優(yōu)化控制中的應(yīng)用／ ０３３2.2　基于學(xué)習(xí)的模型預(yù)測控制／ ０４９２.２.１　模型預(yù)測控制／ ０４９２.２.２　機(jī)器學(xué)習(xí)在模型預(yù)測控制中的角色／ ０５４2.3　內(nèi)嵌物理知識神經(jīng)網(wǎng)絡(luò)／ ０７７２.３.１　概述／ ０７７２.３.２　原理／ ０８２２.３.３　斯托克斯流體拓?fù)鋬?yōu)化／ ０８４2.4　人工智能中的優(yōu)化算法／ ０８７２.４.１　梯度下降與共軛梯度法／ ０８９２.４.２　動量優(yōu)化與Ｎｅｓｔｅｒｏｖ 動量優(yōu)化算法／ ０９４２.４.３　自適應(yīng)梯度優(yōu)化算法／ ０９８２.４.４　ＲＭＳＰｒｏｐ 優(yōu)化算法／ ０９９２.４.５?。粒洌幔?優(yōu)化算法／ １０１2.5　人工智能中的反饋機(jī)制／ １０２２.５.１　反饋的基本思想／ １０２２.５.２　人類反饋強(qiáng)化學(xué)習(xí)／ １０８參考文獻(xiàn)／ １２３第3 章自動駕駛感知中的人工智能3.1　基于圖像的目標(biāo)識別與追蹤／ １２９３.１.１　基于圖像的目標(biāo)識別／ １２９３.１.２　基于圖像的目標(biāo)追蹤／ １３４3.2　基于傳感器融合的目標(biāo)識別與追蹤／ １３７３.２.１　基于傳感器融合的目標(biāo)識別／ １３８３.２.２　基于傳感器融合的目標(biāo)追蹤／ １４１3.3　案例研究／ １４３參考文獻(xiàn)／ １４６第4 章自動駕駛決策中的人工智能4.1　人工智能決策的可解釋性／ １４９４.１.１　人工智能決策可解釋性方法概述／ １４９４.１.２　語義Ｓｈａｐｌｅｙ 值引導(dǎo)的視覺反事實(shí)解釋及自動駕駛應(yīng)用／ １５５4.2　基于可解釋獎勵機(jī)強(qiáng)化學(xué)習(xí)的自動駕駛決策／ １６３４.２.１　可解釋獎勵機(jī)／ １６３４.２.２　高速公路場景下的獎勵機(jī)強(qiáng)化學(xué)習(xí)決策設(shè)計(jì)／ １６４４.２.３　仿真分析／ １７０參考文獻(xiàn)／ １７２第5 章自動駕駛控制中的人工智能5.1　智能駕駛中的動力系統(tǒng)控制／ １７７５.１.１　研究場景與方案綜述／ １７７５.１.２　車－ 路協(xié)同下智能預(yù)測巡航控制／ １８１５.１.３　交通信號燈速度規(guī)劃／ １８８5.2　基于深度學(xué)習(xí)的電池健康預(yù)測／ １９７５.２.１　電池健康管理概述／ １９７５.２.２　基于ＬＳＴＭ 神經(jīng)網(wǎng)絡(luò)的電池健康狀態(tài)預(yù)測／ ２０２５.２.３　基于遷移學(xué)習(xí)的電池健康狀態(tài)預(yù)測／ ２１９5.3　基于強(qiáng)化學(xué)習(xí)的混動汽車能量管理／ ２４２５.３.１　混合動力汽車能量管理策略概述／ ２４２５.３.２　強(qiáng)化學(xué)習(xí)算法在能量管理策略中的應(yīng)用／ ２４９５.３.３　案例研究／ ２５２5.4　基于學(xué)習(xí)的車輛運(yùn)動控制／ ２７７５.４.１　基于學(xué)習(xí)的車輛運(yùn)動控制策略概述／ ２７７５.４.２　基于數(shù)據(jù)驅(qū)動的車輛運(yùn)動控制／ ２７８５.４.３　基于強(qiáng)化學(xué)習(xí)的車輛運(yùn)動控制／ ２８２５.４.４　案例研究／ ２８６參考文獻(xiàn)／ ２８８