前言
二維碼使用說明及清單
第1章汽車自動駕駛技術概述1
1.1汽車自動駕駛技術分級及發展現狀2
1.1.1汽車自動駕駛的分級2
1.1.2汽車自動駕駛技術發展現狀4
1.2汽車自動駕駛技術架構8
1.2.1自動駕駛環境感知技術8
1.2.2自動駕駛決策規劃技術10
1.2.3自動駕駛控制執行技術11
1.3汽車自動駕駛領域深度學習應用概述11
1.3.1深度學習與傳統機器學習的區別11
1.3.2深度學習的研究及應用進展12
1.3.3深度學習在自動駕駛環境感知中的應用15
1.3.4深度學習在自動駕駛決策規劃中的應用15
1.3.5深度學習在自動駕駛控制執行中的應用16
思考題17
第2章深度學習基礎及實踐18
2.1神經網絡簡介19
2.1.1神經網絡基本概念19
2.1.2單層感知機19
2.1.3多層感知機23
2.2深度學習理論基礎23
2.2.1信號前向傳播24
2.2.2激活函數25
2.2.3損失函數27
2.2.4優化方法——梯度下降法28
2.2.5誤差反向傳播30
2.2.6計算圖36
2.3深度學習框架38
2.3.1TensorFlow38
2.3.2PyTorch39
2.3.3PaddlePaddle39
2.4實踐項目：DNN車輛識別項目40
2.5實踐項目：基於DNN的自動駕駛數據集分類43
思考題45
第3章卷積神經網絡理論及實踐46
3.1全連接神經網絡的問題47
3.2卷積神經網絡理論基礎49
3.2.1卷積神經網絡基本結構49
3.2.2卷積層51
3.2.3池化層55
3.3典型的卷積神經網絡模型56
3.3.1LeNet56
3.3.2AlexNet58
3.3.3VGGNet59
3.3.4GoogleNet61
3.3.5ResNet64
3.4實踐項目：CNN斑馬線檢測項目66
3.5實踐項目：基於殘差網絡的自動駕駛數據集分類67
思考題69
第4章網絡優化與正則化71
4.1優化方法72
4.1.1梯度下降法72
4.1.2隨機梯度下降73
4.1.3Momentum方法73
4.1.4Nesterov加速梯度下降74
4.1.5自適應學習率方法75
4.1.6自適應估計Adam方法75
4.2局部最優點問題76
4.3參數初始化方法77
4.3.1參數初始化方法77
4.3.2基於固定方差的參數初始化78
4.3.3基於方差縮放的參數初始化78
4.3.4正交初始化79
4.4數據預處理80
4.4.1數據清理80
4.4.2數據變換82
4.5逐層歸一化83
4.5.1權重和數據轉換下的不變性83
4.5.2層歸一化的基本原理和特點84
4.6超參數優化84
4.6.1手動超參數優化85
4.6.2自動超參數優化85
4.6.3超參數優化的常用工具87
4.7網絡正則化88
4.7.1顯式函數正則化方法88
4.7.2隨機化正則化方法89
4.7.3縮小解空間正則化方法90
思考題91
第5章基於CNN的自動駕駛目標檢測理論與實踐93
5.1目標檢測概述94
5.1.1目標檢測的基本介紹94
5.1.2目標檢測方法的發展94
5.1.3目標檢測數據格式與評估指標97
5.2兩階段目標檢測方法99
5.2.1RCNN99
5.2.2SPPNet和Fast RCNN100
5.2.3Faster RCNN103
5.2.4進階的兩階段算法105
5.3單階段目標檢測方法106
5.3.1YOLO106
5.3.2SSD108
5.3.3YOLOv2109
5.3.4RetinaNet111
5.3.5YOLO後續版本112
5.4Anchor Free目標檢測方法112
5.4.1CornerNet113
5.4.2FCOS和CenterNet114
5.5自動駕駛目標檢測技術應用及案例介紹116
5.5.1自動駕駛目標檢測技術應用概述116
5.5.2自動駕駛障礙物危險等級預測案例介紹117
5.6實踐項目：基於YOLOv5的自動駕駛數據集目標檢測127
思考題129
第6章基於CNN的自動駕駛場景圖像分割理論與實踐131
6.1圖像分割概述132
6.1.1圖像分割的分類132
6.1.2圖像分割方法的發展133
6.1.3圖像分割數據格式與評估指標135
6.2FCN全卷積神經網絡136
6.2.1上采樣過程137
6.2.2特征融合139
6.3UNet/SegNet140
6.3.1UNet網絡140
6.3.2SegNet網絡141
6.4DeepLab繫列142
6.4.1DeepLab V1/V2142
6.4.2DeepLab V3/V3 145
6.5圖卷積網絡方法148
6.5.1圖卷積的定義148
6.5.2Beyond Grids149
6.5.3GloRe150
6.5.4GINet152
6.6自動駕駛圖像分割技術應用及案例介紹153
6.6.1自動駕駛圖像分割技術應用概述153
6.6.2礦區自動駕駛路面特征提取案例介紹154
6.7實踐項目：基於DeepLab V3 的自動駕駛數據集圖像分割162
思考題164
第7章循環神經網絡及自動駕駛車輛換道行為預測應用165
7.1循環神經網絡概述166
7.2長期依賴和門控RNN167
7.2.1RNN167
7.2.2LSTM168
7.2.3GRU170
7.3深層循環神經網絡172
7.3.1Deep Transition RNN173
7.3.2Deep Output RNN173
7.3.3Stacked RNN173
7.4雙向循環神經網絡174
7.5結合注意力機制的RNN結構175
7.5.1Seq2Seq175
7.5.2增加注意力機制的Seq2Seq176
7.6基於LSTM網絡的車輛換道行為預測177
7.6.1自動駕駛車輛換道行為預測應用概述177
7.6.2自動駕駛車輛換道行為預測案例介紹180
7.7實踐項目：基於循環神經網絡（GRU/LSTM）的車輛軌跡預測187
思考題188
第8章基於Transformer的自動駕駛目標檢測理論與實踐189
8.1Transformer及自動駕駛應用概述190
8.1.1注意力機制與Transformer基本概念190
8.1.2Transformer在自動駕駛中的應用概述191
8.2從編碼器解碼器結構到注意力機制192
8.3Transformer模型195
8.3.1Transformer的輸入和輸出195
8.3.2Transformer的結構組件196
8.3.3Transformer模型的訓練201
8.4Vision Transf

2024年政府工作報告指出，要大力推進現代化產業體繫建設，加快發展新質生產力；充分發揮創新主導作用，以科技創新推動產業創新，加快推進新型工業化，提高全要素生產率，不斷塑造發展新動能新優勢，促進社會生產力實現新的躍升。
在汽車行業，新質生產力體現在“新四化”，自動駕駛不僅可以提高交通效率，降低事故風險，還能為用戶帶來全新的出行體驗。無人運輸憑借無人化、自動化為勞動者重新定義生產工具。無人運輸將極大降低生產過程中的人力成本，替代駕駛人的工作，同時為勞動者提供遠程駕駛、雲控調度員等新技術崗位，促進勞動力升級，從而解放生產力。汽車自動駕駛主要涉及環境感知、決策規劃、控制執行三大領域，其發展是人工智能、5G通信、激光雷達、高精地圖等多項技術協同發力的結果。自動駕駛加速推進，以深度學習為代表的人工智能是主要驅動力。深度學習算法模型不斷完善，讓自動駕駛的判斷力和理解力更強，可以助力智能汽車完成更實時準確的環境感知與定位、決策與規劃、控制與執行等任務，提高汽車行駛的安全性。
本書以培養學生利用深度學習方法創新性解決自動駕駛領域工程實踐能力為教學目標，繫統講述了深度學習基礎、高階和前沿技術理論及工程實踐，內容包括自動駕駛技術概述、深度學習基礎及實踐、卷積神經網絡、目標檢測和圖像分割CNN模型、注意力機制與Transformer、生成對抗網絡、深度強化學習理論等。另外，本書還基於產教融合和科教融合，將自動駕駛及相關領域產業級工程項目和科研成果融入教材實踐應用案例。本書主要特點有：
（1）理論性和實踐性強。本書詳細講解了深度學習方法中從基礎的LeNet5到前沿的Transformer等繫列模型的基本理論及工程實踐方法，通過科教融合和產教融合，將科研成果和產業級工程項目融入教材，有利於提高學生的理論創新和工程實踐能力。
（2）資源豐富，實用性強。通過配套微視頻、線上實踐項目實現教材的數字化功能，配套的教學資源多樣化，有利於學習者展開高效率的學習，同時可充分利用信息平臺的便捷性，及時把深度學習新技術和最新科研成果加入電子資源中。
非常感謝北京踏歌智行科技有限公司為本書提供了礦區自動駕駛工程實踐案例項目。本書編寫過程中還得到了北京航空航天大學研究生蔡捍、王昊、王闖、劉目卓、劉明達、劉文韜、夏啟的幫助和支持，在此向他們表示深切的謝意。
本書在編寫過程中參閱了大量教材、文件、網站資料及有關參考文獻，並引用一些論述和例文，部分參考書目列於書後，但由於篇幅有限，還有一些參考書目未能一一列出，在此謹向相關作者表示謝忱和歉意。
由於編者水平有限，書中不足之處在所難免，誠望廣大讀者不吝賜教，提出寶貴意見。

編著者