前言
第1章 自动驾驶与车辆安全导论
1.1 自动驾驶
1.2 整车安全与事故统计
1.3 关键增值：电子元件与信号处理
1.4 习题
第2章 信号处理基础
2.1 线性代数
2.1.1 定义与符号
2.1.2 线性代数常见运算规则
2.1.3 向量与矩阵求导
2.1.4 特征值和奇异值分解，矩阵范数
2.2 用拉格朗日乘数求解优化问题
2.2.1 带等式约束条件的优化问题
2.2.2 带不等式约束条件的优化问题
2.3 概率论
2.3.1 概率空间和随机变量
2.3.2 条件概率和贝叶斯定理
2.3.3 信息论概述
2.3.4 高斯随机变量
2.3.5 随机变量的变换
2.3.6 随机过程
2.4 线性系统
2.4.1 连续时间系统
2.4.2 离散时间系统
2.4.3 离散化
2.5 频域信号滤波
2.5.1 线性时不变系统在频域中的描述
2.5.2 低通滤波、带通滤波和高通滤波
2.5.3 碰撞加速度信号的低通滤波
2.6 习题
第3章 汽车模型和轨迹
3.1 用于被动车辆安全的碰撞模型
3.1.1 质量-弹簧-阻尼器模型
3.1.2 多体仿真和有限元计算
3.2 涉及自动驾驶和主动车辆安全的车辆动力学模型
3.2.1 相对运动
3.2.2 交通参与者运动模型
3.2.3 车辆运动力学模型
3.2.4 单轨模型和转向行为
3.2.5 非线性双轨模型
3.3 轨迹规划与控制
3.4 习题
第4章 统计滤波
4.1 优统计滤波器
4.2 卡尔曼滤波器
4.2.1 卡尔曼滤波器的推导
4.2.2 用卡尔曼滤波器进行跟踪
4.2.3 卡尔曼滤波的推广
4.3 传感器数据融合
4.4 习题
第5章 机器学习
5.1 机器学习概论
5.1.1 分类与回归
5.1.2 维数灾难
5.1.3 特征向量的规范化
5.1.4 参数化和非参数化方法
5.1.5 分类和回归
5.1.6 大似然法和大后验法的参数估计
5.1.7 线性回归和分类
5.1.8 使用softmax函数进行分类
5.1.9 核密度估计、k近邻分类和核回归
5.1.10 泛化与偏差-方差分解
5.1.11 机器学习模型选择与评估
5.1.12 随机梯度下降法
5.1.13 监督学习方法概述
5.2 人工神经网络和深度学习
5.2.1 深度多层感知机
5.2.2 反向传播
5.2.3 径向基函数神经网络
5.2.4 深度卷积神经网络
5.3 支持向量机
5.3.1 用于分类的支持向量机以及核函数
5.3.2 用于回归的支持向量机
5.4 决策树和回归树
5.4.1 决策树
5.4.2 回归树
5.5 随机森林
5.5.1 袋外误差
5.5.2 通过随机森林进行特征选择
5.5.3 邻近性
5.6 无监督学习
5.6.1 聚类分析
5.6.2 随机森林的无监督学习
5.6.3 自编码器
5.6.4 变量自编码器和生成式串行网络
5.7 安全自动驾驶的应用
5.7.1 道路交通中的危急程度估计
5.7.2 碰撞严重程度的预测
5.7.3 避免碰撞的轨迹规划
5.7.4 约束系统的触发
5.7.5 交通场景聚类
5.7.6 使用变异自编码器生成场景
5.7.7 静止状态识别
5.8 习题
符号标记
参考文献
智能网联汽车机器学习系列是一套针对汽车安全与自动驾驶的信号处理和机器学习基础教程。该系列提供了一系列基本概念和工具，包括数据收集、数据清洗、特征提取、模型训练和模型评估等。这些工具可以帮助您了解汽车数据分析的基本原理，并且在设计自动驾驶系统时提供了很大的帮助。
此系列教程包含了从入门到进阶的所有内容，以满足不同层次的学习需求。通过实时传感器收集数据和大数据处理，学生可以在真实场景下掌握这一领域的重要技能，例如，通过对传感器数据的处理和分析，学生可以了解如何识别并避免车辆间的碰撞，并通过使用机器学习算法，训练自己的模型来掌握高级技能。
此外，该系列课程还涵盖了计算机视觉、人工智能和数据科学等领域的基本概念，这将有助于学生更好地理解汽车安全与自动驾驶的复杂性。
总之，如果你对汽车安全和自动驾驶感兴趣，并且想学习信号处理和机器学习的基本概念，那么智能网联汽车机器学习系列教程将是一个非常不错的选择。
