无人驾驶车辆，无论是在陆地、水上还是在空中，都出现在我们身边，并不断寻找无数新的应用场景，比如无人驾驶出租车服务到偏远地区。过去几十年持续的技术进步使得这些创新成为可能，同时也需要克服很多艰巨的难题以实现无人驾驶系统性能高效、实用、安全。
因此，本书的目的是对这些难题进行介绍，并引导读者了解一些常见的解决方案。高超的技术水平、软硬件的完全集成以及云平台的深度协同是最终成功的必要条件。无人驾驶在地面车辆，或者更具体地说，在城市、乡村道路环境中的车辆以及越野车辆中的应用是本书介绍的重点。本书面向学术界或工业界的工程师，目的在于展示在无人驾驶车辆研发过程中遇到的问题、解决方案和未来的研究热点，具体包括感知与认知、执行控制以及云端服务器。本书罗列出大量的参考文献资料，将帮助读者快速阅览前人的工作。
下面对本书的结构做简单介绍。
第１章简述了信息技术的发展历史，并对无人驾驶系统体系结构和所需的相关基础设施的算法进行了概述。
定位是无人驾驶最重要的任务之一。第２章介绍了最常用的无人驾驶定位方法，详细讲述了全球导航卫星系统、惯性定位导航系统、激光雷达和轮式里程计的原理和优缺点，并讨论了各个方法的融合。
第３章介绍了目标检测，即基于传感器数据的环境理解，并探究各种目前使用的算法，包括场景理解、图像流、目标跟踪等。
第４章介绍了深度学习在无人驾驶环境感知系统的应用，包括大型数据集以及需要高度复杂计算的图像分类、目标检测、语义分割等，其中详细讲述了目标检测、语义分割和图像流。
当无人驾驶车辆对环境进行理解时，它必须以某种方式预测未来的事件（例如在其附近的另一辆车辆的运动）并规划自己的路线，这是第５章的主要内容。
接下来的第６章，对生成决策、规划和控制进行了更细致的阐述，并对在遇到潜在的正交决策以及解决方案冲突时（例如，一个模块推荐换道，而另一个模块已经在所述车道中检测到障碍物）各个模块间的相互反馈，尤其是决策生成（马尔可夫决策过程，基于场景的分治法）和运动规划的算法进行了介绍。
第７章展示了在基于强化学习的规划和控制方面补充设计的需要，以便在无人驾驶系统的开发过程中将情境与场景完全集成。
车载计算平台是第８章的主题，它包括对机器人操作系统的介绍，然后是对所使用的实际硬件的总结，同时提出了使用异构计算以满足实时计算以及实际车载（功耗和散热）的强烈需求。这意味着必须使用各种处理单元，包括通用中央处理器（ＣＰＵ）、图形处理器（ＧＰＵ）、现场可编程逻辑门阵列（ＦＰＧＡ）等。
最后，第９章介绍了用于“捆绑在一起”的云平台的基础架构，该架构为新算法开发、离线深度学习模型训练和高精度地图生成服务提供分布式仿真测试。
编者
