本书主要介绍了智能驾驶技术的路径规划和导航控制，内容涉及视觉协同显著性交通标志牌检测、地图创建与全局路径规划、车辆行为决策与运动规划、车辆轨迹跟踪控制以及无模型智能驾驶控制的技术。书中首先论述了经聚类、显著性线索分析以及几何约束模型检测交通标志牌的方法。其次，阐述了基于ArcGis分析工具的地图创建和全局路径规划的方法。而后，探讨了基于有限状态机的驾驶行为决策方法，在此基础上，利用RRT算法、曲线近似法、Frenet坐标系法，分别实现了智能驾驶车辆运动规划方法，设计了基于深度强化学习的智能驾驶车辆路径规划方法。并完成了几何规则的轨迹跟踪控制，实现了智能驾驶公交的自主泊车。*后，研究了基于数据驱动的智能驾驶公交主动转向控制方法。分别在仿真软件PreScan和TruckSim进行了智能驾驶公交车辆的仿真实验。这些方法在工程应用中取得了明显的效果，实现了智能驾驶公交车辆的智能导航控制。本书提供的相关方法意在推动智能驾驶领域中感知建图、决策规划、导航控制的前沿问题研究，可为我国智慧交通的研究提供借鉴和参考。
本书可作为高等院校智能科学与技术、自动化、人工智能等专业研究生或高年级本科生的专业基础课程教材，亦可供广大从事人工智能、智能驾驶、决策规划、导航控制领域的科技工作者阅读和思考。

前言
第1章　绪论 1
1.1　智能驾驶公交车辆发展现状 1
1.2　全局路径规划方法研究现状 3
1.3　行为决策与运动规划方法研究现状 4
1.4　跟踪控制方法研究现状 5
参考文献 6
第2章　基于视觉协同显著性的交通标志牌检测 14
2.1　基于视觉协同显著性的交通标志牌检测框架设计 14
2.1.1　基于聚类的图间/图内显著性检测模型子框架 15
2.1.2　几何结构约束模型子框架 15
2.2　基于视觉协同显著性的图像检测算法 18
2.2.1　基于聚类的视觉协同显著性检测 18
2.2.2　视觉显著性线索分析 19
2.2.3　协同显著图的生成 20
2.2.4　各显著性线索的特性分析 22
2.2.5　几何结构约束模型 24
2.3　显著性检测实验与分析 26
2.3.1　单图像显著性检测实验分析 26
2.3.2　图像对协同显著性检测实验分析 28
2.3.3　多图像协同显著性检测实验分析 29
2.3.4　运行速度测试分析 32
2.3.5　聚类数目影响分析 33
2.4　复杂场景中交通标志牌的检测实验分析 34
2.5　本章小结 36
参考文献 36
第3章　智能驾驶公交车辆全局路径规划方法 40
3.1　基于ArcGIS地图创建及全局规划 41
3.1.1　ArcGIS系统概述 41
3.1.2　基于ArcGIS的地图创建 42
3.1.3　基于ArcGIS网络分析工具的全局路径规划 55
3.2　最优路径信息处理 56
3.2.1　全局坐标系转换 56
3.2.2　全局路径插值 57
3.3　地图创建及全局规划仿真实验 58
3.4　本章小结 61
参考文献 61
第4章　智能驾驶公交车辆行为决策与运动规划方法 64
4.1　基于分层有限状态机的智能驾驶公交车辆决策模型 64
4.1.1　顶层状态机设计 65
4.1.2　底层状态机设计 65
4.1.3　双层扩展有限状态机行为决策方法 67
4.1.4　基于分层有限状态机的行为决策实验 67
4.2　基于快速搜索随机树的动态路径规划方法 70
4.2.1　RRT算法 70
4.2.2　基于起点与终点位姿约束的双向RRT算法 71
4.2.3　基于起点与终点位姿约束的RRT算法仿真实验 73
4.3　基于曲线近似的智能驾驶公交车辆动态轨迹规划方法 73
4.3.1　基于贝塞尔曲线的路径平滑与拼接 74
4.3.2　基于约束的多项式动态轨迹规划方法 79
4.4　基于Frenet坐标系的智能驾驶公交车辆运动规划方法 86
4.4.1　Frenet坐标系的建立 86
4.4.2　横纵向轨迹解耦规划 87
4.4.3　基于车辆约束的最优轨迹选择 89
4.4.4　基于Frenet坐标系的轨迹规划仿真实验 90
4.5　智能驾驶公交车辆行为决策与运动规划方法应用实例 100
4.5.1　基于高精度地图与红外信标的智能驾驶公交车辆自动启停实现方法 100
4.5.2　智能驾驶公交车辆行为决策与运动规划实车实验 103
4.6　本章小结 105
参考文献 105
第5章　基于深度强化学习的智能驾驶公交车辆路径规划方法 107
5.1　深度强化学习方法的理论讲解 107
5.1.1　强化学习理论基础 107
5.1.2　深度学习理论基础 112
5.1.3　基于深度强化学习的路径规划概述 113
5.2　基于深度强化学习的网络模型构建 116
5.3　基于深度强化学习的环境模型构建 123
5.3.1　虚拟环境构建 123
5.3.2　环境模型应用策略 124
5.3.3　模型训练 125
5.4　基于深度强化学习的路径规划实现方法 127
5.4.1　深度强化学习的算法框架 127
5.4.2　关键环境回报值选取 128
5.4.3　基于深度强化学习的路径规划方法实验分析 130
5.4.4　多种轨迹规划方法对比实验分析 135
5.5　本章小结 143
参考文献 143
第6章　智能驾驶公交车辆轨迹跟踪控制方法 146
6.1　智能驾驶公交车辆运动学与动力学模型 146
6.1.1　运动学模型 146
6.1.2　动力学模型 147
6.2　智能驾驶公交车辆轨迹跟踪控制 149
6.2.1　基于航向预测的轨迹跟踪控制及仿真 149
6.2.2　基于运动学模型的轨迹跟踪控制 152
6.2.3　智能驾驶公交车辆速度控制方法 155
6.3　智能驾驶公交车辆自主泊车控制 158
6.3.1　基于Akerman转向几何的路径规划 159
6.3.2　基于车辆运动学模型及位置补偿的控制器 160
6.3.3　智能驾驶公交车辆自主泊车仿真验证及实车实验 161
6.4　基于PreScan的智能驾驶公交车辆仿真环境 163
6.4.1　场景搭建 164
6.4.2　联合仿真 172
6.5　本章小结 173
参考文献 174
第7章　基于数据驱动的智能驾驶公交车辆主动转向控制方法 177
7.1　基于数据驱动的主动转向控制系统概述 177
7.1.1　智能驾驶公交车辆主动转向控制系统概述 177
7.1.2　数据驱动控制方法概述 177
7.1.3　轨迹跟踪误差的向量描述 178
7.1.4　基于数据驱动的车辆模型在线辨识方法 179
7.1.5　基于数据驱动的主动转向控制系统框架 181
7.2　基于自抗扰控制的主动转向控制方法 182
7.2.1　自抗扰控制方法概述 182
7.2.2　自抗扰控制器设计 182
7.2.3　基于自抗扰控制的主动转向控制器设计 188
7.3　基于无模型自适应的主动转向控制方法 189
7.3.1　无模型自适应控制方法概述 189
7.3.2　基于预瞄偏差角的跟踪控制方案 189
7.3.3　基于无模型自适应的主动转向控制器设计 190
7.4　基于TruckSim的跟踪控制仿真方法 191
7.4.1　联合仿真平台的搭建 191
7.4.2　仿真环境下跟踪控制性能验证 199
7.4.3　控制器迁移至真实环境的可行性评估 203
7.5　本章小结 204
参考文献 204
附录 206
第8章　智能驾驶技术展望 213
8.1　智能驾驶路径规划技术展望 213
8.2　智能驾驶跟踪控制技术展望 214
8.3　智能驾驶仿真环境展望 215
8.4　技术展望 216
8.5　本章小结 217
参考文献 217