自動駕駛智能導航技術與實踐
李強
買這商品的人也買了...
-
$351無人駕駛原理與實踐 -
$453Python 遷移學習 -
Hugging Face 模型及資料大公開 - 利用 BERT 建立全中文 NLP 應用$720$568 -
Stable Diffusion 與 ComfyUI 工作流 : AI 繪畫 ＋ AI 視頻教程$479$455 -
生成式 AI 開發實作｜使用 Transformers 與擴散模型 (Hands-On Generative AI with Transformers and Diffusion Models)$980$774 -
內行人才知道的程式設計模式面試指南 (Coding Interview Patterns: Nail Your Next Coding Interview)$780$616 -
自動駕駛路徑規劃和行為決策技術與實踐$594$564 -
自動駕駛核心技術：環境感知、路徑規劃和實時地圖導航$594$564 -
$358Seedance 2.0 快速上手：AI 視頻創作全能一本通 -
養成你的 AI 龍蝦管家！OpenClaw × NemoClaw × Google Antigravity × Claude Code：打造能查行程、收郵件、遠端控制電腦的 AI 代理人$750$585 -
$516AI for Science 中的深度學習 -
Transformer 技術縱深：架構解析與前沿突破$894$849 -
RISC-V 商業思考$419$398 -
10 倍速！AI Skill 全攻略：建立 Skill 驅動 AI 系統，打造從學術研究到專案開發的自動化工作流$1,000$780 -
AI 無人機技術｜開發實務全面性指南 (Mastering Drone Technology with AI: A comprehensive guide to drone operations and techniques)$750$592
商品描述
本書是一本探討智能導航技術及其在自動駕駛、機器人等領域應用的實用性指南。本書首先介紹了智能導航技術的發展歷程，從早期的導航系統到如今的GPS技術和自動駕駛技術的興起。隨後深入探討了智能導航在汽車、機器人等領域的具體應用，涵蓋了目標檢測和識別、車道檢測、目標跟蹤、交通信號識別等關鍵技術。此外，書中還詳細介紹了智能導航系統的基本組成，包括傳感器部件、數據處理與算法以及控制與執行部件。最後，書中探討了智能導航技術所面臨的挑戰和未來發展方向，涉及安全性、數據處理、人機交互等方面。通過本書的學習，讀者將深入了解智能導航技術的核心原理和應用場景，掌握相關領域的開發與實戰技能，從而為自動駕駛、機器人等領域的開發提供有力支持。
作者簡介
李強，哈爾濱工業大學計算機碩士，自動化碩士，精通C、C++、C#、Java、Python等多門開發語言，熟悉汽車電子生產加工流程。現在就職於AutoX智能駕駛研發部，負責智能駕駛產品（如智能駕駛域控制器、毫米波雷達、激光雷達、攝像頭等）FAE失效分析經驗及返工、維修能力建設工作，擅長電路定位和診斷。
目錄大綱
第1章 智能導航技術概述
1.1 智能導航技術的發展歷程
1.1.1 早期導航技術的演進
1.1.2 GPS技術的應用與普及
1.1.3 自動駕駛技術的崛起
1.2 智能導航系統的基本組成
1.2.1 傳感器部件
1.2.2 數據處理與算法模塊
1.2.3 控制與執行部件
1.3 智能導航技術面臨的挑戰和未來發展趨勢
1.3.1 安全性與可靠性面臨挑戰
1.3.2 數據處理方面的挑戰
1.4 本章總結
第2章 目標檢測和識別
2.1 目標檢測和識別概述
2.1.1 目標檢測和識別的步驟
2.1.2 常用的目標檢測和識別算法
2.2 傳統的目標檢測方法
2.2.1 基於Haar特征的目標檢測
2.2.2 實戰案例：基於機器學習算法的目標檢測
2.3 基於深度學習的YOLO算法
2.3.1 YOLO算法簡介
2.3.2 實戰案例：基於YOLO的目標檢測系統
2.4 本章總結
第3章 基於智能駕駛和機器人的車道檢測算法
3.1 車道檢測概述
3.1.1 車道檢測的流程
3.1.2 常用的車道檢測算法
3.2 基本的車道檢測算法
3.2.1 霍夫變換算法
3.2.2 顏色閾值算法
3.2.3 滑動窗口法
3.3 實戰案例：基於深度學習的車道檢測系統
3.3.1 項目介紹
3.3.2 具體實現
3.4 本章總結
第4章 基於自動駕駛的目標跟蹤
4.1 目標跟蹤概述
4.1.1 目標跟蹤的應用領域
4.1.2 目標跟蹤的常用算法
4.2 卡爾曼濾波器算法
4.2.1 卡爾曼濾波器算法簡介
4.2.2 實戰案例：基於卡爾曼濾波器的目標跟蹤
4.3 擴展卡爾曼濾波器算法
4.3.1 擴展卡爾曼濾波器算法簡介
4.3.2 實戰案例：基於擴展卡爾曼濾波器的目標跟蹤
4.4 粒子濾波器算法
4.4.1 粒子濾波器算法簡介
4.4.2 實戰案例：基於粒子濾波器的位置跟蹤和速度估計
4.5 多假設跟蹤算法
4.5.1 多假設跟蹤算法簡介
4.5.2 實戰案例：基於多假設跟蹤算法的目標跟蹤
4.6 MOSSE濾波器算法
4.6.1 MOSSE濾波器算法簡介
4.6.2 實戰案例：基於MOSSE濾波器的目標跟蹤
4.7 軌跡聚類算法
4.7.1 軌跡聚類算法簡介
4.7.2 實戰案例：基於軌跡聚類算法的目標跟蹤
4.8 實戰案例1：基於OpenCV的行人檢測系統
4.8.1 項目介紹
4.8.2 具體實現
4.9 實戰案例2：基於深度學習的目標檢測系統
4.9.1 項目介紹
4.9.2 具體實現
4.10 基於DeepSORT模型的目標追蹤
4.10.1 DeepSORT簡介
4.10.2 DeepSORT實戰：人流檢測和追蹤系統
4.11 本章總結
第5章 交通信號識別
5.1 交通信號識別簡介
5.1.1 交通信號識別的流程
5.1.2 交通信號識別的方法
5.1.3 實戰案例：基於OpenCV和特征提取的交通信號識別
5.2 實戰案例：基於人工智能的交通信號牌識別系統
5.2.1 項目背景和介紹
5.2.2 具體實現
5.3 實戰案例：基於深度學習的交通信號分類系統
5.3.1 數據集介紹
5.3.2 數據預處理
5.3.3 構建CNN模型
5.3.4 構建ResNet50模型
5.4 實戰案例：基於深度學習的智能交通違章檢測系統
5.4.1 項目介紹
5.4.2 導入需要的庫
5.4.3 實時交通燈顏色識別
5.4.4 自適應停車線檢測
5.4.5 車牌提取
5.4.6 車牌號碼的文本識別
5.4.7 顯示違規車牌
5.4.8 將違規車牌記錄到MySQL數據庫中
5.4.9 運行交通違規監控系統
5.5 本章總結
第6章 光流估計
6.1 光流估計簡介
6.1.1 光流估計的原理和方法
6.1.2 光流估計的應用領域
6.1.3 實現光流估計的方法
6.2 Lucas-Kanade算法
6.2.1 Lucas-Kanade算法簡介
6.2.2 實戰案例：基於Lucas-Kanade算法的光流估計
6.3 Horn-Schunck算法
6.3.1 Horn-Schunck算法簡介
6.3.2 實戰案例：使用Horn-Schunck算法處理視頻
6.4 Block Matching算法
6.4.1 Block Matching算法簡介
6.4.2 實戰案例：實現Block Matching算法
6.5 基於深度學習的光流估計方法
6.5.1 FlowNet系列算法
6.5.2 實戰案例：基於PWC-Net算法的字幕生成系統
6.6 實戰案例：基於大模型的光流估計
6.6.1 背景介紹
6.6.2 項目介紹
6.6.3 具體實現
6.7 本章總結
第7章 行為預測算法
7.1 行為預測算法介紹
7.2 基於概率圖模型的算法
7.2.1 基於概率圖模型的常用算法
7.2.2 基於馬爾可夫模型的行為預測
7.2.3 基於貝葉斯網絡的行為預測
7.3 基於規則驅動的算法
7.4 基於深度學習的行為預測
7.4.1 常用的深度學習行為預測算法
7.4.2 基於長短期記憶的軌跡預測模型
7.4.3 基於卷積神經網絡的圖像分類模型
7.5 實戰案例：基於Social LSTM的行人軌跡預測系統
7.5.1 功能模塊
