前言
第1章 自动驾驶与车辆导论 1
1.1 自动驾驶 1
1.2 整车与事故统计 5
1.3 关键增值：电子元件与信号处理 12
1.4 题 14
第2章 信号处理基础 15
2.1 线性代数 15
2.1.1 定义与符号 15
2.1.2 线性代数常见运算规则 19
2.1.3 向量与矩阵求导 22
2.1.4 征值和奇异值分解，矩阵范数 24
2.2 用拉格朗日乘数求解化问题 27
2.2.1 带等式约束条件的化问题 28
2.2.2 带不等式约束条件的化问题 29
2.3 概率论 31
2.3.1 概率空间和随机变量 31
2.3.2 条件概率和贝叶斯定理 35
2.3.3 信息论概述 36
2.3.4 高斯随机变量 37
2.3.5 随机变量的变换 40
2.3.6 随机过程 41
2.4 线性系统 45
2.4.1 连续时间系统 45
2.4.2 离散时间系统 46
2.4.3 离散化 46
2.5 频域信号滤波 57
2.5.1 线性时不变系统在频域中的描述 57
2.5.2 低通滤波、带通滤波和高通滤波 59
2.5.3 碰撞加速度信号的低通滤波 61
2.6 题 63
第3章 汽车模型和轨迹 70
3.1 用于被动车辆的碰撞模型 70
3.1.1 质量-弹簧-阻尼器模型 72
3.1.2 多体和有限元计算 79
3.2 涉及自动驾驶和主动车辆的车辆动力学模型 80
3.2.1 相对运动 80
3.2.2 交通参与者运动模型 92
3.2.3 车辆运动力学模型 103
3.2.4 单轨模型和转向行为 115
3.2.5 非线性双轨模型 142
3.3 轨迹规划与控制 147
3.4 题 158
第4章 统计滤波 169
4.1 统计滤波器 169
4.2 卡尔曼滤波器 176
4.2.1 卡尔曼滤波器的推导 176
4.2.2 用卡尔曼滤波器进行跟踪 189
4.2.3 卡尔曼滤波的推广 198
4.3 传感器数据融合 199
4.4 题 205
第5章 机器学 211
5.1 机器学概论 211
5.1.1 分类与回归 212
5.1.2 维数灾难 215
5.1.3 征向量的规范化 215
5.1.4 参数化和非参数化方法 216
5.1.5 分类和回归 217
5.1.6 大似然法和大后验法的参数估计 218
5.1.7 线性回归和分类 220
5.1.8 使用softmax函数进行分类 229
5.1.9 核密度估计、k近邻分类和核回归 232
5.1.10 泛化与偏差-方差分解 237
5.1.11 机器学模型选择与评估 242
5.1.12 随机梯度下降法 248
5.1.13 监督学方法概述 251
5.2 人工经网络和深度学 251
5.2.1 深度多层感知机 253
5.2.2 反向传播 257
5.2.3 径向基函数经网络 262
5.2.4 深度卷积经网络 263
5.3 支持向量机 275
5.3.1 用于分类的支持向量机以及核函数 275
5.3.2 用于回归的支持向量机 282
5.4 决策树和回归树 286
5.4.1 决策树 286
5.4.2 回归树 289
5.5 随机森林 291
5.5.1 袋外误差 295
5.5.2 通过随机森林进行征选择 296
5.5.3 邻近性 298
5.6 无监督学 300
5.6.1 聚类分析 300
5.6.2 随机森林的无监督学 312
5.6.3 自编码器 314
5.6.4 变量自编码器和生成式串行网络 321
5.7 自动驾驶的应用 327
5.7.1 道路交通中的危急程度估计 331
5.7.2 碰撞严重程度的预测 335
5.7.3 避碰撞的轨迹规划 337
5.7.4 约束系统的触发 339
5.7.5 交通场景聚类 341
5.7.6 使用变异自编码器生成场景 343
5.7.7 静止状态识别 345
5.8 题 346
符号标记 358
参考文献 367
《汽车与自动驾驶:信号处理和机器学基础》是一本德国作者迈克尔·博世所著，由机械工业出版社出版的书籍。该书主要介绍了汽车和自动驾驶技术中的信号处理和机器学习基础知识。通过这本书，读者可以了解到如何使用传感器收集汽车周围环境的数据，并对这些数据进行处理和分析。此外，书中还介绍了如何使用机器学习算法来预测汽车行驶的路线和未来交通情况。如果你对汽车和自动驾驶技术感兴趣，这本书值得一读。
