从机器学习到无人驾驶

　　《从机器学习到无人驾驶》以机器学习为出发点，使用简易的代码讲解机器学习的核心算法（深度神经网络和强化学习），在算法学习的基础上使用增量方法开发包含定位、预测、路径规划和业务控制等一系列自动驾驶模块。该书代码实例涉及自动驾驶的普遍业务方法，可使读者理解自动驾驶背后的设计思想和原理，快速入门自动驾驶的算法和开发流程。
　　《从机器学习到无人驾驶》示例代码丰富，涵盖实际开发中所有的重要知识点，适合无人驾驶从业者、想要学习机器学习和无人驾驶的开发人员阅读，也可用作培训机构和高校相关专业的教学参考书。

宋哲贤，多年互联网和机器学习开发经历，在著名车企从事车辆智能化算法架构研发，对于人工智能应用有较强的实践经验，目前专注于迁移学习的工程化实践。

慕课网高级讲师，热爱分享，开发多门人工智能的入门和进阶课程，擅长实例的类比讲解。

获得车辆智能化国家专利1项。

第一篇 机器学习基础

第1章 机器学习与无人驾驶 1

1.1 机器学习简介 1

1.1.1 机器学习 1

1.1.2 深度学习 5

1.1.3 强化学习 6

1.2 无人驾驶与机器学习 7

1.2.1 无人驾驶的历史 7

1.2.2 为什么要在无人驾驶中应用机器学习 9

1.2.3 无人驾驶商业化的优势 10

1.2.4 无人驾驶商业化的进展 11

参考文献 13

第2章 TensorFlow基础 15

2.1 机器学习主流框架简介 15

2.2 TensorFlow开发环境搭建 19

2.2.1 基于Python语言框架的Virtualenv方案 19

2.2.2 基于应用容器化的Docker方案 23

2.3 Hello TensorFlow—一个简单的例子 23

2.4 TensorFlow架构 26

2.4.1 TensorFlow架构概述 26

2.4.2 TensorFlow客户端架构 27

2.4.3 TensorFlow分布式主服务架构 28

2.4.4 TensorFlow工作器服务架构 29

2.4.5 TensorFlow内核架构 30

2.5 TensorFlow核心API 30

2.5.1 TensorFlow低级API 31

2.5.2 TensorFlow高级API 35

2.6 扩展：使用tensorflow.js进行机器学习 38

参考文献 40

第3章 线性回归 41

3.1 什么是线性回归 41

3.1.1 线性回归的概念 41

3.1.2 线性回归的历史 42

3.1.3 线性回归模型 42

3.2 线性回归中的最小二乘法模型 43

3.3 最小二乘法模型实例 45

3.4 线性回归的梯度下降模型 47

3.5 梯度下降模型实例 48

参考文献 51

第4章 逻辑回归 52

4.1 逻辑回归简介 52

4.2 逻辑回归模型 54

4.3 泛逻辑回归 55

4.4 实例：股价预测 56

参考文献 64

第二篇 机器学习进阶

第5章 神经网络 65

5.1 神经元模型 65

5.1.1 神经网络的灵感来源 65

5.1.2 感知器模型概述 66

5.2 单神经元模型实例 67

5.2.1 验证码概述 68

5.2.2 开发实例代码详解 69

5.3 激活函数 76

5.3.1 常用激活函数 76

5.3.2 Sigmoid函数 77

5.3.3 tanh函数 79

5.3.4 ReLU函数以及变式 79

5.4 全连接神经网络模型 80

5.4.1 多层感知器神经网络结构 80

5.4.2 BP算法 82

5.5 全连接神经网络实例 82

参考文献 84

第6章 卷积神经网络 85

6.1 卷积神经网络概述 85

6.1.1 卷积神经网络架构 85

6.1.2 卷积操作 86

6.1.3 池化操作 87

6.1.4 卷积神经网络的特点 88

6.2 实例1：验证码识别 89

6.2.1 神经网络的具体设计 89

6.2.2 卷积过程分析 91

6.2.3 池化过程分析 92

6.2.4 完整学习过程分析 93

6.3 实例2：过拟合和欠拟合 95

6.3.1 下载 IMDB 数据集 96

6.3.2 构建模型 99

6.3.3 训练模型 101

6.3.4 过拟合过程实践 106

6.3.5 过拟合应对策略 115

参考文献 120

第7章 循环神经网络 121

7.1 循环神经网络概述 121

7.1.1 时序数据 121

7.1.2 循环神经网络模型 122

7.2 长短时记忆神经网络架构 123

7.3 实例：仿写西游记 126

7.3.1 文本的读取和分段 126

7.3.2 循环神经网络模型定义 130

7.3.3 模型训练和结果分析 132

参考文献 134

第8章 强化学习 136

8.1 强化学习概述 136

8.2 Q-Learning架构 140

8.3 实例：贪吃蛇人工智能 142

参考文献 160

第三篇 无人驾驶

第9章 无人驾驶系统 161

9.1 无人驾驶系统概述 161

9.2 Apollo简介 165

9.3 Apollo开发环境搭建 169

参考文献 173

第10章 Cyber基础 174

10.1 Cyber简介（包括和ROS的对比） 174

10.2 Cyber API和API Demo 177

10.3 Apollo 模块启动源码分析 199

参考文献 222

第11章 无人驾驶地图技术 223

11.1 高精地图 223

11.2 PncMap 264

11.3 Relative Map模块 281

参考文献 303

第12章 无人驾驶定位技术 304

12.1 RTK定位技术 304

12.2 多传感器融合定位技术 307

参考文献 322

第13章 无人驾驶预测技术 323

13.1 预测模块简介 323

13.2 成本评估器：由一组成本函数计算概率 327

13.3 MLP评估器：用MLP模型计算概率 329

13.4 RNN评估器：用RNN模型计算概率 343

参考文献 350

第14章 无人驾驶规划策略 351

14.1 规划模块简介 351

14.2 路径规划 353

14.3 障碍物规划 363

14.4 速度规划 373

参考文献 392

第15章 无人驾驶控制策略 394

15.1 车辆模型 394

15.2 PID控制算法 397

15.3 MPC控制算法 408

参考文献 414

附录A 强化学习：贪吃蛇AI完整游戏逻辑代码 416

附录B CyberRT系统核心API字典 423

　　机动车是灵活性高、业务环境复杂的交通工具，一直和我们的生活、工作息息相关。近年来，结合感知、融合、决策、控制的自动驾驶技术无疑是最有前景的研发领域之一。在《中国制造2025》中，已经将智能车联网提升到国家战略高度，车作为智能化终端的概念逐渐浮出水面，并在我们的心中逐渐加强。近几年，各项国家地方政策层出不穷，甚至开放了包括北京、上海部分道路在内的一部分路段进行路测。在世界范围内，围绕自动驾驶产生了多家发展迅速的独角兽企业，这些企业有的专注地图的高精化，有的设计智能化边缘计算硬件，有的则着眼于智能驾驶算法系统。智能驾驶和交通安全息息相关，虽然目前测试的结果都是很惊人的，但是大多数结果都是基于特定路段和特定环境的。在直观的理解中，自动驾驶包含车辆与环境的交互过程。这里面涉及众多环节，比如车辆定位、路径规划、状态感知、车辆控制等。如此复杂的流程必须依靠包括深度学习、强化学习等在内的机器学习技术进行支撑，机器通过大量离线和在线数据的采集与特征提取，在一定算法的基础上，模型自主地完成优化和学习，从而最终得出一个具有统计学意义的结果。这个统计学结果的得出其实是值得探讨的。由于数据量不足及模型本身的种种限制，自动驾驶还没有实现100%的全路段、全时况的无人驾驶。
　　汽车行业的智能化技术不同于普通的Web技术，具有很强的边缘计算结合性，需要从业人员了解车辆本身的包括运动、机械等方面的基础知识，更需要了解不同传感器的数据微观特征，通过结合近年来发展迅猛的机器学习算法（深度神经网络和强化学习）开发包含定位、预测、路径规划和业务控制等一系列自动驾驶模块，通过驾驶测试来进一步完善系统能力。想要进入此领域的初级开发人员往往因为系统繁杂而不能很快掌握开发技术的核心。本书涵盖机器学习的基本概念、神经网络算法和强化学习算法，在学习算法的基础上通过增量方式开发进行无人驾驶各个功能模块的开发学习。
　　本书致力于通过生动的实例讲解机器学习的核心算法，代码实例涉及自动驾驶的普遍业务方法，通过具体代码实例对自动驾驶背后的设计思想和原理进行详细分析，力图使读者通过实际操作快速入门和理解自动驾驶的算法和开发流程。