本书是工业和信息化部“十四五”规划教材，系统阐述了智能网联汽车的关键技术，并适当介绍了智能网联汽车领域的新理念和新方法。全书共分八章，包括：智能网联汽车概述，环境感知技术，定位导航技术，决策与路径规划技术，运动控制技术，网联通信技术，架构、测试与评价技术，深度学习与自动驾驶等。

本书可作为高等学校交通运输类、计算机类、电子信息类、自动化类、电气类、机械类、材料类等专业的本科生或研究生教学用书，对从事智能网联汽车的工程技术人员、研究人员也有很好的参考价值。

前辅文
第一章　智能网联汽车概述
  1.1　智能网联汽车的内涵
   1.1.1　智能网联汽车的定义
   1.1.2　智能网联汽车的分级
   1.1.3　智能交通系统
   1.1.4　其他相关术语
  1.2　智能网联汽车发展史
   1.2.1　无人驾驶汽车的概念初期
   1.2.2　机器视觉的初步应用时期
   1.2.3　无人驾驶汽车的成型时期
   1.2.4　无人驾驶挑战赛不断蓄能时期
   1.2.5　智能网联汽车的快速发展时期
  1.3　中国智能网联汽车发展概述
   1.3.1　中国智能网联汽车发展基础
   1.3.2　中国智能网联汽车发展目标
  1.4　智能网联汽车架构
   1.4.1　智能网联汽车整车架构
   1.4.2　智能网联汽车关键技术架构
第二章　智能网联汽车环境感知技术
  2.1　激光雷达
   2.1.1　激光雷达的工作原理
   2.1.2　激光雷达的类型
   2.1.3　激光雷达的性能指标与特点
   2.1.4　激光雷达的应用
   2.1.5　基于激光雷达的目标检测
   2.1.6　激光雷达面临的挑战
  2.2　毫米波雷达
   2.2.1　毫米波雷达的工作原理
   2.2.2　毫米波雷达的类型
   2.2.3　毫米波雷达的性能指标和特点
   2.2.4　毫米波雷达的应用
  2.3　超声波雷达
   2.3.1　超声波雷达的工作原理
   2.3.2　超声波雷达的类型
   2.3.3　超声波雷达的性能指标与特点
   2.3.4　超声波雷达的应用
  2.4　车载视觉传感器
   2.4.1　视觉传感器的工作原理
   2.4.2　视觉传感器的类型
   2.4.3　视觉传感器的性能指标与特点
   2.4.4　视觉传感器的应用
   2.4.5　车载视觉技术
   2.4.6　色彩空间模型
   2.4.7　基于视觉的车道线检测
  2.5　多传感器融合
   2.5.1　多传感器融合的层次
   2.5.2　多传感器融合的关键问题
   2.5.3　多传感器融合思路
第三章　智能网联汽车定位导航技术
  3.1　定位导航技术概述
  3.2　全球导航卫星系统(GNSS)
   3.2.1　GNSS的定位原理
   3.2.2　GNSS的误差
   3.2.3　差分GNSS的原理
   3.2.4　GNSS的特点
  3.3　蜂窝定位技术
   3.3.1　AOA定位法
   3.3.2　TOA定位法
   3.3.3　TDOA定位法
  3.4　惯性导航系统
   3.4.1　惯性测量单元
   3.4.2　惯性导航系统的工作原理
   3.4.3　惯性导航系统的特点
   3.4.4　电子罗盘
   3.4.5　航迹推算定位
  3.5　组合定位技术
   3.5.1　GNSS/INS的组合定位
   3.5.2　卡尔曼滤波
   3.5.3　GNSS/DR组合导航定位系统
  3.6　即时定位与地图构建(SLAM)
   3.6.1　SLAM的基本概念
   3.6.2　视觉SLAM的基本概念
   3.6.3　视觉SLAM的框架
   3.6.4　视觉SLAM的前端方法
   3.6.5　激光雷达SLAM的基本概念
   3.6.6　激光雷达SLAM的框架
   3.6.7　激光雷达SLAM的前端方法
   3.6.8　视觉SLAM与激光雷达SLAM的对比
   3.6.9　SLAM的关键问题
  3.7　高精度地图
   3.7.1　高精度地图简介
   3.7.2　高精度地图与导航电子地图的区别
   3.7.3　高精度地图的作用
   3.7.4　高精度地图生产过程
第四章　智能网联汽车决策与路径规划技术
  4.1　环境预测
  4.2　行为决策
   4.2.1　行为决策的基本方法
   4.2.2　有限状态机
   4.2.3　基于有限状态机的行为决策系统
   4.2.4　行为决策与环境的交互方式
  4.3　路径规划概述
   4.3.1　路径规划的基本概念
   4.3.2　路径规划的一般步骤及其特点
   4.3.3　路径规划中的环境建模
  4.4　基于采样的路径搜索算法
   4.4.1　随机路径图算法(PRM)
   4.4.2　快速扩展随机数算法(RRT)
   4.4.3　维诺图法(Voronoi)
  4.5　基于地图的路径搜索算法
   4.5.1　 Dijkstra算法
   4.5.2　A*算法
   4.5.3　改进A*算法
  4.6　其他路径规划方法
   4.6.1　人工势场法
   4.6.2　蚁群算法
   4.6.3　触须算法
   4.6.4　遗传算法
第五章　智能网联汽车运动控制技术
  5.1　智能网联汽车线控系统
   5.1.1　线控油门系统
   5.1.2　线控制动系统
   5.1.3　线控转向系统
  5.2　车辆模型
   5.2.1　车辆运动学模型
   5.2.2　车辆动力学模型
  5.3　汽车运动控制理论
   5.3.1　经典PID控制理论
   5.3.2　 LQR控制理论
   5.3.3　模糊控制
   5.3.4　自适应控制
   5.3.5　模型预测控制
   5.3.6　神经网络控制
   5.3.7　滑模控制
   5.3.8　鲁棒控制
  5.4　智能网联车辆横向控制
   5.4.1　纯跟踪算法
   5.4.2　基于航向预估的横向控制
   5.4.3　基于最优控制的LQG/LTR横向控制
   5.4.4　基于滑模变结构理论的横向控制
   5.4.5　基于MPC的横向控制
  5.5　智能网联车辆纵向控制
   5.5.1　基于模糊PID的纵向控制
   5.5.2　基于MPC的纵向跟车控制
第六章　智能网联汽车网联通信技术
  6.1　智能网联汽车网络系统概述
   6.1.1　V2X通信技术
   6.1.2　智能网联汽车网络体系
   6.1.3　智能网联汽车网络系统的特点
  6.2　车载网络系统
   6.2.1　车载网络系统的分类
   6.2.2　CAN总线网络
   6.2.3　LIN总线网络
   6.2.4　FlexRay总线网络
   6.2.5　MOST总线网络
   6.2.6　以太网
  6.3　车载自组织网络
   6.3.1　车载自组织网络的定义
   6.3.2　车载自组织网络的类型
   6.3.3　车载自组织网络的路由协议类型
   6.3.4　车载自组织网络的主要属性
  6.4　短距离无线通信技术
   6.4.1　无线通信的定义
   6.4.2　无线通信的分类
   6.4.3　DSRC通信
   6.4.4　其他短距离无线通信技术
  6.5　车载移动互联网
   6.5.1　移动互联网的定义
   6.5.2　移动互联网的接入方式
   6.5.3　车载移动互联网
  6.6　移动网络通信技术
   6.6.1　移动网络通信技术的定义与组成
   6.6.2　移动网络通信技术的发展
   6.6.3　5G网络的关键技术
   6.6.4　5G网络的特点
   6.6.5　C-V2X通信
  6.7　车路协同技术
   6.7.1　车路协同的定义
   6.7.2　车路协同系统关键技术
   6.7.3　车路协同技术的应用场景
   6.7.4　基于V2X的网联车辆队列的通信拓扑结构
   6.7.5　网联车辆队列行驶系统建模
   6.7.6　智能网联汽车队列系统控制方法
第七章　智能网联汽车架构、测试与评价技术
  7.1　智能网联汽车电子电气架构
   7.1.1　分布式电子电气架构
   7.1.2　域集中式电子电气架构
   7.1.3　中央集中式电子电气架构
  7.2　智能网联汽车计算平台架构
   7.2.1　智能网联汽车系统软件抽象层
   7.2.2　智能网联汽车系统软件操作系统内核
   7.2.3　智能网联汽车系统软件中间件组件
   7.2.4　智能网联汽车计算硬件平台
   7.2.5　智能网联汽车计算框架ROS
  7.3　智能网联汽车仿真测试
   7.3.1　智能网联汽车测试技术概述
   7.3.2　智能网联汽车仿真测试技术
   7.3.3　智能网联汽车仿真测试平台
  7.4　智能网联汽车道路测试与评价方法
   7.4.1　智能网联汽车实车测试
   7.4.2　智能网联汽车测试场设计技术要求
   7.4.3　智能网联汽车封闭道路测试项目
   7.4.4　智能网联汽车封闭道路测试方法
   7.4.5　智能网联汽车封闭道路测试评价方法
第八章　深度学习与自动驾驶
  8.1　深度学习
   8.1.1　深度学习的概念
   8.1.2　深度学习的基本原理
  8.2　卷积神经网络(CNN)
   8.2.1　卷积神经网络的基本概念
   8.2.2　卷积神经网络的基本结构
   8.2.3　经典卷积神经网络
  8.3　循环神经网络(RNN)
   8.3.1　循环神经网络的基本概念
   8.3.2　循环神经网络的基本结构
   8.3.3　长短时记忆网络(LSTM)
  8.4　其他人工智能网络
   8.4.1　生成对抗网络(GAN)
   8.4.2　深度强化学习
  8.5　深度学习在自动驾驶领域的应用
   8.5.1　深度学习在环境感知领域的应用
   8.5.2　深度学习在决策规划领域的应用
   8.5.3　深度学习在运动控制领域的应用
   8.5.4　端到端自动驾驶系统
  8.6　自动驾驶数据集
  8.7　自动驾驶领域深度学习应用挑战
  8.8　自动驾驶领域深度学习应用未来发展方向
参考文献