基于人工智能的无人驾驶车辆路面识别技术

　　《基于人工智能的无人驾驶车辆路面识别技术》在借鉴国内外相关科研成果的基础上，结合无人驾驶车辆的新技术，对无人驾驶车辆路面识别技术涉及的关键问题进行了详尽讲解。本书全面阐述了无人驾驶车辆路面识别技术的基本概念、分析方法及相关应用，全书共分6章，包括车载激光雷达、地面机器人路面识别技术、基于机器学习及马尔科夫随机场的路面识别技术、基于图像数据的路面类型分类、基于激光雷达的路面类型分类及马尔科夫随机场的多传感器融合路面类型分类。此外，本书还浅尝辄止地探讨了无人驾驶车辆路面识别技术面临的挑战及其发展方向。本书既可作为从事无人驾驶车辆相关研究的科研及工程技术人员，以及从事地面机器人相关研究的工程技术人员的参考书，也可作为普通高等院校人工智能、车辆工程、自动化、计算机等相关专业师生的参考教材。同时，还可作为广大对无人驾驶技术感兴趣的读者朋友的科普读物。

暂缺《基于人工智能的无人驾驶车辆路面识别技术》作者简介

目 录
前 言
第 １章 车载激光雷达 １
１.１ 概述 １
１.２ 激光测距技术 ２
１.２.１ 脉冲测距 ２
１.２.２ 相位测距 ３
１.２.３ 三角测距 ４
１.３ 激光雷达在自动驾驶中的应用 ５
１.４ 激光雷达的分类 ６
１.４.１ 单线激光雷达 ６
１.４.２ 多线激光雷达 ７
１.４.３ 激光雷达的技术发展 １４
第 ２章 地面机器人路面识别技术 １６
２.１ 基于加速度传感器的地形判别 １６
２.２ 基于相机图像的地形视觉判别 ２６
２.３ 基于激光雷达的地形识别 ３７
２.４ 多种传感器的融合 ４７
第 ３章 基于机器学习及马尔科夫随机场的路面识别技术 ６４
３.１ 路面轮廓估计 ６４
３.１.１ 加速度 （ａｃｃ－ｔ） ６４
３.１.２ 四分之一车辆模型 （ａｃｃ－ｔｔｏｙ－ｔ） ６５
３.１.３ 垂直位移 （ｙ－ｔ） ６７
３.１.４ 速度 （ｖ－ｔ） ６８
３.１.５ 速度到位移 （ｖ－ｔｔｏｘ－ｔ） ６８
３.１.６ 路面轮廓 （ｙ－ｘ） ６８
３.２ 特征提取 ７０
３.２.１ 从路面轮廓 （ｙ－ｘ）中提取的 ＦＦＴ特征 ７２
３.２.２ 从加速度 （ａｃｃ－ｔ）中提取的 ＦＦＴ特征 ７５
３.２.３ 从加速度 （ａｃｃ－ｔ）和路面轮廓 （ｙ－ｘ）中提取的
快速小波变换特征 （ＦＷＴ） ７５
３.３ 归一化 ７６
３.４ 主成分分析 ＰＣＡ ７７
３.５ Ｋ－ｆｏｌｄ交叉验证 ７７
３.６ 其他分类器的尝试 ７７
３.６.１ 朴素贝叶斯分类器 ７８
３.６.２ 神经网络分类器 ７８
３.６.３ 支持向量机分类器 ８０
３.７ 实验 ８１
３.７.１ 概述 ８１
３.７.２ 关于加速度的平台实验 ８３
３.８ 实验结果 ８５
３.８.１ 特征选择 ８５
３.８.２ 速度独立性测试 ８６
３.８.３ 分类器选择 ８８
３.８.４ 加速度实验结果 ８９
３.９ 总结 ９２
第 ４章 基于图像数据的路面类型分类 ９３
４.１ 图像纹理特征 ９４
Ⅵ 基于人工智能的无人驾驶车辆路面识别技术
４.２ 建立图像特征矩阵 ９５
４.２.１ 灰度共生矩阵 ９５
４.２.２ 特征提取和特征矩阵信息 ９６
４.３ 实验验证 ９９
４.３.１ 实验平台 ９９
４.３.２ 基于图像的实验 ９９
４.４ 实验结果 １００
４.５ 结论 １０５
第 ５章 基于激光雷达的路面类型分类 １０６
５.１ 激光雷达的扫描方式 １０６
５.２ 道路表面重建 １０７
５.２.１ 距离数据的处理 １０７
５.２.２ 速度数据的处理 １０８
５.２.３ 道路表面 １０８
５.３ 特征矩阵 １０９
５.４ 实验 １１０
５.４.１ 实验平台 １１０
５.４.２ 实验结果 １１１
５.５ 结论 １１５
第 ６章 马尔科夫随机场的多传感器融合路面类型分类 １１６
６.１ 前置激光雷达的预测 １１６
６.２ 马尔科夫随机场算法 （ＭＲＦ） １１８
６.２.１ 条件独立性 １１８
６.２.２ 分解特性 １２０
６.３ 马尔科夫随机场的建立 １２１
６.３.１ 马尔科夫随机场中的节点 １２２
目 录 Ⅶ
６.３.２ 马尔科夫随机场中节点的随机变量 １２２
６.３.３ 马尔科夫随机场中的节点 １２３
６.３.４ 马尔科夫随机场中的节点值 １２３
６.３.５ 能量函数 １２４
６.３.６ 最优化 １２５
６.４ 实验 １２５
６.４.１ 实验平台 １２５
６.４.２ 基于多传感器融合的实验 １２５
６.５ 实验结果 １２５
６.６ 结论 １２９
后记 回顾与展望 １３０
参考文献 １３２