本書是《智能車輛理論與應用》一書的修訂版（第2版），同時也是“智能車輛理論與應用”研究生慕課配套教材。全書共9章括：概述；智能車輛環境感知；深度學習及其在環境感知中的應用；智能車輛SLAM；智能車輛行為決策；智能車輛運動規劃；智能車輛模型預測控制；智能網聯；智能車輛測試方法與評價。
為了方便教學，書中增加了大量的實際操作案例括基於ROS框架的可通行區域檢測、基於Python庫scikit-learn的激光雷達點雲負障礙檢測、基於Adaboost與攝像機圖像的車輛檢測、采用ResNet模型使用Keras框架的場景識別、自制數據集並訓練YOLO v5檢測模型、ORB SLAM、ROS與V-REP聯合仿真實現運動規劃案例、綜合測試案例等。
本書可作為高等院校機械工程、自動化、計算機等專業的研究生教材，也可供各類具有一定基礎知識的智能車輛從業人員參考使用。

第1章概論001
1.1智能車輛概述001
1.2人工智能概述002
1.3智能車輛體繫結構005

第2章智能車輛環境感知009
2.1以斜坡為例的可通行區域檢測009
2.1.1檢測原理009
2.1.2場景構建010
2.1.3檢測程序012
2.1.4操作步驟021
2.2基於機器學習與激光雷達點雲的負障礙檢測023
2.2.1三種機器學習算法介紹023
2.2.2數據采集與處理026
2.2.3基於Python庫scikit-learn的實現028
2.3基於Adaboost與攝像機圖像的車輛檢測035
2.3.1分類器訓練參數設置035
2.3.2正負樣本的提供036
2.3.3訓練分類器037
2.3.4使用級聯分類器檢測041

第3章深度學習及其在環境感知中的應用044
3.1卷積神經網絡044
3.2越野環境場景識別047
3.2.1場景數據集047
3.2.2道路類型識別048
3.3目標檢測模型及其在智能車上的應用057
3.3.1YOLO繫列目標檢測模型057
3.3.2應用案例060
3.4基於深度學車道線語義分割067
3.4.1車道線分割網絡設計與訓練067
3.4.2車道線檢測網絡的壓縮與加速076

智能車輛理論與應用:慕課版（第2版）目錄第4章智能車輛SLAM078
4.1SLAM概述078
4.2視覺SLAM081
4.2.1算法框架與前端搭建081
4.2.2圖優化概述087
4.2.3非回環分層模型090
4.2.4ORB-SLAM運行及數據處理094
4.3激光雷達SLAM100
4.3.1激光雷達SLAM概述100
4.3.2基於特征概率柵格地圖的激光雷達裡程計101
4.3.3基於圖優化的激光雷達SLAM後端110

第5章智能車輛行為決策117
5.1高速道路環境下智能車輛超車行為決策117
5.1.1基於層次狀態機的超車行為建模119
5.1.2基於人工神經網絡的超車意圖產生122
5.1.3基於規則的超車條件判定126
5.2無信號燈十字交叉口智能車輛行為決策129
5.2.1無信號燈十字交叉口場景分析129
5.2.2基於模糊邏輯的駕駛員程度識別130
5.2.3基於相對駕駛程度的無信號燈交叉口決策方法131
5.3車輛跟馳類人駕駛學習繫34
5.3.1類人駕駛學習繫34
5.3.2強化學習與馬爾可夫決策過程135
5.3.3Q Learning與NQL（Neural-Q Learning）137
5.3.4NQL求解過程140
5.3.5NQL算法流程142
5.4定距離跟馳仿真試驗144
5.4.1仿真繫44
5.4.2定距離跟馳模型144
5.4.3試驗結果與分析146

第6章智能車輛運動規劃148
6.1概述148
6.1.1基於采樣的運動規劃算法148
6.1.2基於搜索的運動規劃算法151
6.1.3基於優化的運動規劃算法152
6.2靜態環境下的運動規劃153
6.2.1代價地圖153
6.2.2運動規劃154
6.2.3V-REP場景構建及仿真展示156
6.2.4ROS程序165
6.2.5參數解析167
6.3動態環境下的運動規劃172
6.3.1踫撞檢測方法172
6.3.2速度重規劃算法176
6.3.3基於狀態空間采樣的路徑規劃算法181

第7章智能車輛模型預測控制184
7.1車輛動力學模型184
7.1.1定義坐標繫184
7.1.2車輛動力學模型185
7.1.3輪胎模型186
7.2模型預測控制理論推導與求解186
7.2.1模型預測控制算法186
7.2.2非線性模型預測控制188
7.2.3線性時變模型預測控制190
7.3基於動力學模型的軌跡跟蹤控制196
7.3.1預測模型196
7.3.2代價函數199
7.3.3優化求解200
7.4MATLAB仿真實例201
7.4.1代碼介紹201
7.4.2仿真分析207

第8章智能網聯215
8.1基於網聯技術的多車編隊自動駕駛215
8.1.1車輛編體方案216
8.1.2多車編隊繫統架構219
8.1.3編隊車臺軟件結構220
8.2基於V2X的紅綠燈路口通行224
8.2.1單個紅綠燈路口通行策略的制定224
8.2.2通行多個紅綠燈路口方法229
8.2.3仿真試驗232
8.3基於V2X的遮擋環境下智能車輛避撞行人239
8.3.1基於V2X的避撞繫統239
8.3.2基於分級衝突區域的行人避撞方法241
8.3.3通信延時與的影響分析245

第9章智能車輛測試與評價251
9.1基於ROS+V-REP的智能車輛綜合測試251
9.1.1安裝ROS+V-REP251
9.1.2安裝依賴項257
9.1.3V-REP模型搭建259
9.1.4聯合仿真測試262
9.2智能車輛測評體繫281
9.2.1復雜交通環境下智能車輛性能測試內容281
9.2.2基於集成測試方法的性能測試282
9.2.3智能車輛性能測試環境構建283
9.2.4智能車輛性能評價方法284
參考文獻287

2018年，我們出版了本科生教材《無人駕駛車輛理論與設計》和研究生教材《智能車輛理論與應用》，其中《智能車輛理論與應用》一書是北京理工大學機械工程“智能車輛基礎”專業核心課教材。

2019年，在北京理工大學教務部立項資助下，由本團隊精心打造的“無人駕駛車輛”慕課在中國大學MOOC網站上線，該課程是針對初學者選材制作的。

2020年2月，國家發展和改革委員會等1pan>部委聯合發布《智能汽車創新發展戰略》，這一步加快“智能車輛技術”人纔培養提出了更高要求。

高教司司長吳岩指出，融合了“互聯網+”“智能+”技術的在線教學已經成為高等教育在教與學方面的重要發展方向。

2020年，“智能車輛基礎”課程入選北京理工大學研究生教育培養綜合改革項目（項目）——研究生網絡共享課程建設項目。

項目組根據智能車輛技術發展成果和國家發展戰略相關文件，著手準備研究生網絡共享課程的制作，並同步開展《智能車輛理論與應用》一書的修訂再版工作，在成體繫的智能車輛技術人纔培養模式上做一步的探索與實踐，為智能車輛高端技術人纔培養貢獻力量。

修訂後的內容共分9章。第pan>章在第pan>版的基礎上，增加了目前智能車輛上廣為應用的ROS的相關介紹。第2章是的內容，從應用的角度，結合基於ROS框架的可通行區域檢測、基於（傳統）機器學習與激光雷達點雲的負障礙檢測、基於Adaboost與攝像機圖像的車輛檢測等具體案例介紹智能車輛環境感知技術。第3章是的內容，介紹了越野環境場景識別、目標檢測模型及其在智能車輛上的應用、基於深度學車道線語義分割等具體應用案例。第4章把SLAM作為獨立的一章，體現出SLAM技術在智能車輛上的發展地位。第5章仍沿用第pan>版的內容。第6章是的內容，結合一個具體的ROS操作介紹了靜態環境下的運動規劃，並介紹了動態環境下的運動規劃。第7章對第pan>版內行了修訂，並增加了詳細方案。第8章是的內容，從基於網聯技術的多車編隊自動駕駛、基於V2X的紅綠燈路口通行方法、基於V2X的遮擋環境下智能車輛避撞行人等方面闡述了智能網聯技術在智能車輛上的應用。第9章對第pan>版書中ROS+VREP案行了詳細介紹。

本次修訂版由熊光明、於會龍、龔建偉、邸慧軍執筆，由陳慧岩審稿。實驗室教師呂超、吳紹斌，研究生陳晨、昊、馬君驛、於全富、楊天、李江南、周夢如等參加了部分章節的編寫及部分文字、圖表的修訂工作。

本書撰寫過程中融入了作者長期科研實踐，參與這些實踐項目並對本書內容做出貢獻的研究生有張玉、陳建松、丁澤亮、韓雨、季、朱寶昌、王超然、王超、李明紅、文巧稚、宋威龍、陳昕、徐優志等，在此向他們在實驗室期間做出的貢獻表示感謝。本書也參考了國內外公開發表的資料，也向相關資料的作者表示感謝。

本書的出版得到北京理工大學2020年研究生教育培養綜合改革項目——研究生教材建設立項資助。

智能車輛理論仍在不斷發展過程中，我們將根據技展以及實際教學效果持續提高。歡迎社會各界提出意見和建議。

1.2人工智能概述

2020年2月，國家發展和改革委員會等1pan>部委聯合發布《智能汽車創新發展戰略》，其中提到，智能汽車是指通過搭載傳感器等裝置，運用人工智能等新技術，具有自動能，逐步成為智能移動空間和應用終端的新一代汽車。可以看到人工智能在其中的作用，對人工智能的發行簡要介紹。

1.人工智能、機器學習與深度學關繫

“人工智能”(Artificial Intelligence,AI）這一詞語由John McCarthy於1955年提出，在1956年的達特茅斯會議上其作為一門學科得到認可。當時的理念是，人類智慧可以通過地表示和描述來讓機器模擬。而人工智能的通常含義是指機器能夠像人類一樣思考。人工智能的目括推理、知識、規劃、學習、自然語言處理、感知等能力，涉及計算機、數學、心理學、語言學、哲學、神經科學等眾多學科。自提出以來，人工智能研究經歷過數次興衰年來人工智能的興起是由於計算能力的提高、海量數據的獲取和人工智能理論上展。1997年IBM公司的深藍擊敗國際像棋卡斯帕羅夫和2016年Google公司的AlphaGo擊敗世界圍棋李世石是人工智能歷獲得公眾關注的兩次標志性事件。

人類的智能主括歸結和邏輯演繹兩大類。人類的視聽覺、身體感知處理等都是下意識的，屬於歸結智能。而數學推導、邏輯推理等都是基於公理繫統的符號演繹方法。由於在發展過程中，對於智能的理解不同，漸漸形成了幾個經典學派。每個學派從不同的角度看待問題，提出解決方案。比如為主要的兩個學派——符號學派和聯結學派，前者從哲學、邏輯學和心理學出發，將學習視為逆向演繹，使用預先存在的知識來解決問題，大多數專家繫統使用符號學派的方法；後者專注於通之間的連接來推導表示知識，該學派聚焦於物理學和神經科學，並相信大腦的逆向工程，用反向傳播算法來訓練人工神經網絡以獲取結果。其他學派，化學派在遺傳學化生物學的基礎上得出結論，貝葉斯學派注重統計學和概率推理，類推學派更多地關注心理學和數學優化來推斷相似性判斷。

雖然上述學派各自都取得了很大的成就，但是其各自采用的研究方法都遇到了諸多困難，而且這些學派對於人工智能的研究思路和方法難以形成一個統一的框架。基於對於“機器智能是由什麼決定”這個問題的回答，人工智能領域60多年的發展形成了四大研究方法：結構模能模擬、行為模擬和機制模擬。在人工智能發展過程中，上述多個方法各自都出現過自己的發展和低谷時期。目前的人工智能熱潮則源於結構模擬方面的突破，即由於解決了深度神經網絡的訓練問題，加上大數據的高性能計臺（雲計算、GPU等）變成現實，深度神經網絡的表達能力得到充分發揮，對人工智能的發展起到了推波助瀾的作用。

通常將人工智能分為弱人工智能和強人工智能，前者讓機器具備觀察和感知的能力，可以做到一定程度的理解和推理；而強人工智能讓機器獲得自適應能力，解決一些之前沒有遇到過的問題。目前的研究大多集中在弱人工智能這部分年來隨著計算智能和感知智能的關鍵技術取得較大突破，弱人工智能的應用條件基本成熟。弱人工智能的“智能”主於一種實現人工智能的方法——機器學習。機器學做法，是使用算法來解析數據、從中學習，然後對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟件程序不同，機器學習是用大量的數據來“訓練”，通過各種算法從數據中學習如何完成任務。機器學習直接來源於早期的人工智能領域，傳統的算括決策樹、聚類、貝葉斯分類、支持向量機、EM、Adaboost等。

傳統的機器學習算法在指紋識別、基於Haar的人臉檢測、基於HoG特征的物體檢測等領域的應用基本達到了商業化的要求或者特定場景的商業化，但每一步都異常艱難，直到深度學出現。深度學習並不是一種獨立的學習方法，其本身也會用到有監督和無監督的學習方法來訓練深度神經網絡。但由幾年該領域發展迅猛，一些特有的學習手段相繼被提出（如殘差網絡），因此越來越多的人將其單獨看作一種學方法。

初的深度學習是利用深度神經網絡來解決特征表達的一種學習過程。深度神經網絡可大致理解含多個隱含層的神經網絡結構。為了提高深度神經網絡的訓練效果，人們的連接方法和激活函數等方面做出相應的調整。

綜上所述，機器學習是一種實現人工智能的方法，深度學習是一種實現機器學技術。

熊光明，北京理工大學機械與車輛學院副教授，工學博士。長期從事智能車輛科研/教學工作，發表SCI/EI論文60多篇，編著有智能車輛相關書籍6部，授權國家發明專利二十餘項。獲2014年度汽車工程學會優秀論文獎。2015年獲得北京理工大學優秀碩士生指導教師稱號。2017年獲得部級科步1項，獲得兵器集團科步1項。編著“無人駕駛汽車概論”獲得兵工高校優秀教材。2017年獲北京理工大學優秀教學成果。編著“無人駕駛車輛理論與設計”獲得2019年兵工高校精品教材和北京理工大學精品教材。2020年獲北京理工大學優秀教學成果。2021年編寫教材入選十四五規劃教材。