前言

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。

宋哲贤

2020年1月