本书主要介绍了深度学习在车联网中的应用，主要从以下五个部分讲述了深度学习如何为车联网动态地提供强大的支持：面向车辆安全和保护措施的深度学习；面向车载通信的深度学习，如车对车、车对基础设施的通信等；面向车辆控制的深度学习，如基于道路交通状况的排放控制，如何预测电动汽车充电负荷以及基于摄像头捕获的图像来调整车速；面向信息管理的深度学习，如基于道路交通状况和给定目的地信息,使用基于深度学习算法的自然语言处理实现驾驶过程中物联网(IoT)的自动搜索等；其他应用。
本书适合自动驾驶研发人员参考阅读，也可以作为高等院校相关专业硕博研究生的参考用书。

译者序
前言
贡献者名单
第一部分　面向车辆安全和保护措施的深度学习
第1章　车辆安全和保护措施的深度学习2
1.1　引言2
1.2　车辆内部监控的深度学习3
1.2.1　摄像头系统3
1.2.2　基于可穿戴传感器的系统3
1.2.3　驾驶人行为监控4
1.3　对周围环境感知的深度学习4
1.3.1　道路检测5
1.3.2　车辆周围环境检测5
1.3.3　挑战性环境下的目标检测6
1.4　交通管理的深度学习6
1.4.1　交通流建模7
1.4.2　车对基础设施的通信7
1.5　基于深度学习的路线规划和导航8
1.5.1　出行者路线规划9
1.5.2　食品运输路线规划9
1.5.3　未知地图的动态路线规划9
1.6　结论9
参考文献10
第2章　应用于安全车辆的驾驶人疲劳分类的深度学习14
2.1　引言14
2.1.1　疲劳检测的重要性14
2.1.2　在未来自动化车辆中的应用14
2.2　驾驶人疲劳检测方法15
2.2.1　主观测量15
2.2.2　客观测量16
2.2.3　深度学习方法17
2.3　方法比较23
2.4　结论25
2.5　注释26
参考文献26
第3章　网联自动驾驶汽车（CAV）网络安全与威胁情报的深度学习33
3.1　引言33
3.2　CAV技术促进因素:自动化和连通性34
3.3　CAV威胁景观和威胁情报35
3.3.1　联邦学习35
3.3.2　车内（低级传感器）网络漏洞36
3.3.3　车辆控制模块36
3.3.4　CAV威胁安全分析37
3.3.5　攻击面37
3.3.6　CAV生态系统的组织风险38
3.4　CAV威胁缓解：基于深度学习的异常检测与分类38
3.5　深度学习的前沿（进步和未来）39
3.6　面向CAV网络攻击检测的端到端深度CNN-LSTM架构41
3.6.1　性能分析42
3.6.2　结果与讨论45
3.7　结论47
参考文献47
第二部分　面向车载通信的深度学习
第4章　无人机网络优化的深度学习52
4.1　引言52
4.2　提高无人机网络吞吐量的关键类别54
4.3　针对无人机网络吞吐量的路线增强55
4.3.1　基于位置的路线选择55
4.3.2　基于拓扑的路线选择56
4.3.3　基于集群的路线选择56
4.3.4　应用深度学习路线选择的无人机网络57
4.4　无人机网络结构58
4.4.1　无人机集群网络结构58
4.4.2　应用深度学习的无人机集群网络结构增强60
4.5　应用深度学习的无人机网络吞吐量61
4.5.1　应用深度学习分配增加吞吐量63
4.5.2　应用深度学习调度增加吞吐量64
4.6　结论68
参考文献68
第5章　物理层深度学习在未来无线通信系统和网络中的最新技术78
5.1　引言78
5.1.1　相关调查文献79
5.1.2　本章摘要81
5.2　基于数据驱动的机器学习方法的收发器优化81
5.2.1　基于数据驱动的端到端收发器优化方法81
5.2.2　用于模块化收发器优化的模型辅助数据驱动方法83
5.3　深度学习用于符号检测任务83
5.3.1　将专业知识纳入自编码器84
5.3.2　在接收器处实现神经网络85
5.3.3　使用机器学习的顺序检测器86
5.4　使用机器学习进行信道估计90
5.5　使用机器学习在频域和时域进行信道预测91
5.6　AI/ML在信道编码中的应用92
5.7　智能链路适应93
5.8　智能无线电95
5.8.1　智能频谱感知95
5.8.2　使用卷积神经网络（CNN）进行自动信号识别96
5.8.3　智能无线电环境96
5.9　无线网络系统级性能评估的机器学习98
5.10　结论99
5.11　注释100
参考文献100
第6章　基于深度学习的车载通信指标调制系统105
6.1　引言105
6.2　V2V/V2I通信107
6.3　基于深度学习的指标调制系统108
6.3.1　基于多载波的指标调制系统108
6.3.2　基于单载波的指标调制系统111
6.3.3　基于多输入多输出的指标调制系统114
6.4　结论117
参考文献118
第7章　深度强化学习在互联自动化交通系统中的应用121
7.1　引言121
7.2　深度强化学习：理论与背景122
7.2.1　（深度）强化学习简史122
7.2.2　经典强化学习123
7.2.3　深度强化学习126
7.2.4　为CAV应用定制（深度）强化学习130
7.3　CAV网络中的数据环境131
7.3.1　优势131
7.3.2　AVS产生的数据133
7.4　深度强化学习应用：车联网汽车134
7.4.1　换道和辅助134
7.4.2　交通信号控制134
7.4.3　交通流量优化135
7.4.4　铁路和海运135
7.4.5　数据通信、计算和组网136
7.4.6　DRL在网络安全中的应用136
7.5　深度强化学习应用：自动驾驶系统137
7.5.1　运动规划137
7.5.2　横向控制138
7.5.3　安全138
7.6　挑战与未来方向138
7.6.1　在实际应用中的可移植性138
7.6.2　交通环境标识139
7.6.3　构建奖励函数139
7.6.4　CAV环境下多智能体DRL140
7.6.5　部分状态可观测性140
参考文献141
第三部分　面向车辆控制的深度学习
第8章　基于深度强化学习的时变交通信息道路车辆排放控制152
8.1　引言152
8.2　相关工作153
8.3　综述153
8.3.1　准备工作153
8.3.2　交通数据分析154
8.3.3　问题公式化154
8.4　方法论155
8.4.1　框架155
8.4.2　EFRL模型156
8.5　实验验证157
8.5.1　数据和设置157
8.5.2　基线和指标158
8.5.3　结果158
8.6　结论160
参考文献160
第9章　电动汽车充电负荷预测162
9.1　引言162
9.2　电动汽车充电负荷特性分析163
9.3　扩张因果卷积的分位数回归模型163
9.3.1　扩张因果卷积163
9.3.2　核密度估计164
9.3.3　扩张因果卷积分位数回归164
9.3.4　模型评价指标165
9.3.5　基于Python的实例仿真166
9.4　基于深度学习的充电负荷时空动态预测179
9.4.1　充电桩的时空动态负荷预测179
9.4.2　时空动态负荷矩阵构建180
9.4.3　时空卷积网络模型181
9.4.4　基于扩张因果卷积的时空动态负荷预测182
9.4.5　基于时空神经网络的时空动态负荷预测183
9.4.6　基于Python的实例仿真184
9.5　结论189
参考文献190
第10章　基于视觉的方法实现自适应的鲁棒控制191
10.1　引言191
10.2　通过深度学习选择参考文献图像处理191
10.2.1　CNN分析结果作为对照参考192
10.2.2　实验数据193
10.2.3　多目标评价195
10.2.4　控制状态变量196
10.3　鲁棒控制设计196
10.3.1　系统识别197
10.3.2　鲁棒线性二次型调节器（RLQR）198
10.3.3　H∞控制器200
10.4　混合控制器的案例研究201
10.4.1　仿真环境和问题目标201
10.4.2　机器学习设计202
10.4.3　混合控制设计204
10.4.4　结果评估206
10.5　结论206
参考文献207
第四部分　面向信息管理的深度学习
第11章　基于自然语言处理的自动化物联网搜索方法210
11.1　引言210
11.2　物联网搜索引擎211
11.2.1　架构211
11.2.2　关键组成部分212
11.2.3　研究挑战213
11.3　基于NLP的查询处理213
11.3.1　设计原理213
11.3.2　NLP基本组成部分214
11.3.3　NLP工具215
11.3.4　NLTK与spaCy比较215
11.4　ACQUISE方法216
11.4.1　基线策略216
11.4.2　增强静态策略217
11.4.3　增强动态策略217
11.5　性能评估223
11.5.1　研究方法223
11.5.2　结果224
11.6　讨论226
11.6.1　机器学习226
11.6.2　协议与算法226
11.6.3　安全与隐私226
11.7　相关工作227
11.8　结论227
致谢228
参考文献228
第12章　一种基于强化学习的方法—实现激励兼容的车辆众测231
12.1　引言231
12.2　边缘辅助的车辆群体感知232
12.2.1　结构设计232
12.2.2　工作流程234
12.3　招募车辆的激励机制234
12.3.1　Stackelberg博弈234
12.3.2　SSP的策略235
12.3.3　车辆的策略235
12.4　案例研究236
12.5　结论237
附录238
参考文献242
第13章　利用深度学习和数学形态学从噪声复杂信号中检测子信号244
13.1　引言244
13.2　基于LSTM-RNN和数学形态学的算法从噪声复杂信号中检测子信号246
13.2.1　数据准备和预处理247
13.2.2　LSTM-RNN局部子信号学习250
13.2.3　数学形态学的全局子信号测试251
13.3　实验结果255
13.4　结论260
参考文献260
第五部分　其他应用
第14章　深度学习算法及其对驾驶行为和车辆通信的影响264
14.1　深度学习算法基础知识和监督学习264
14.1.1　线性回归和逻辑回归264
14.1.2　人工神经网络265
14.1.3　卷积神经网络266
14.1.4　循环神经网络267
14.1.5　深度学习架构268
14.2　深度无监督和半监督学习273
14.2.1　受限玻尔兹曼机和深度置信网络273
14.2.2　自编码器和变分自编码器273
14.2.3　生成对抗网络274
14.2.4　Transformers模型架构274
14.3　超参数、预处理和优化276
14.3.1　数据增强和迁移学习276
14.3.2　权重初始化、激活函数和优化器276
14.3.3　训练时间、预处理和架构改进278
14.4　深度学习在驾驶行为分析和车辆通信中的应用279
14.5　结论282
参考文献282
第15章　无人机和地面车联网的深度学习、计算机视觉和物理层
集成仿真287
15.1　引言287
15.2　从CAVIAR模拟中获益的应用程序288
15.2.1　启用无人机的AI/ML仿真288
15.2.2　V2I的波束选择289
15.3　多域集成模拟器291
15.3.1　使用Raymobtime生成无线信道293
15.3.2　CAVIAR模拟296
15.4　仿真结果297
15.4.1　以激光雷达为输入的V2I的波束选择297
15.4.2　计算机视觉应用的循环（In-loop） CAVIAR仿真300
15.4.3　三维模型精度对无线信道的影响302
15.5　结论304
致谢305
参考文献305

深度学习（DL）描述了一组机器学习算法，这些算法用于具有循环或卷积特征的大型神经网络，换句话说，用于特征生成、学习、分类和预测的深度神经网络（DNN）。目前，深度学习已经被亚马逊、谷歌、Meta等许多在线服务广泛使用。深度学习在汽车工业领域有着广泛的应用，从自动驾驶汽车的计算机视觉处理到提供高数据速率的车联网。
即将推出的智能汽车将配备各种传感器和执行器，如发动机控制器、雷达、激光雷达 （LiDAR）以及摄像头，使车辆能够了解周围环境。这些车辆还将具有更强大的计算能力和更大的车载存储设备。这种转变意味着传统的汽车网络需要智能处理能力。
深度学习是基于人工智能的一种有效方法，可以为此类车联网动态地提供一套强大的工具。在车联网的各个领域，深度学习可用于基于学习的信道估计、交通流预测、车辆轨迹预测、基于位置预测的调度和路由、智能网络拥塞控制、智能负荷均衡和垂直切换控制、智能网络安全策略、虚拟智能高效资源分配和智能分布式资源分配。
对于想要了解智能车辆通信系统的大学生或研究人员来说，本书是一本有价值的教科书或参考书，也可以被工程师或技术人员作为硬件或软件设计时的参考书用。
本书是世界知名专家学者在车联网与控制中应用深度学习的研究工作总结。本书由以下五个部分组成。
第一部分：面向车辆安全和保护措施的深度学习。首先介绍了深度学习算法在车辆安全和保护措施上的应用，以确保自动驾驶汽车能够正确识别摄像头拍摄的图像，并采取适当的行动。例如，车辆可以识别到前方的道路障碍，并及时制动。设计安全性的目的是防止黑客的故意攻击。例如，可以将伪造的传感信号插入车辆的射频通信信道以误导车辆，也可以污染成像数据从而产生错误的深度学习结果。另外，该部分还将解释如何使用深度学习来识别驾驶人的疲劳情况，这对车辆安全也很重要。
第二部分：面向车载通信的深度学习。车联网包括车对车和车对基础设施的通信。智能车联网需要灵活选择所有车辆的zui佳路线，进行基于带宽可用性的自适应发送速率控制，及时从路边基站下载数据等。另外，该部分还讲解了在车联网（V2X）中不同网络层使用深度学习的内容。例如，在物理层中，深度学习可用于选择节能调制参数。
第三部分：面向车辆控制的深度学习。对于每辆车，许多操作需要智能控制。例如，需要根据与障碍物的距离和当前车辆的速度施加不同的制动强度水平。在本部分中，我们选择了几个深度学习在不同车辆运行控制中的应用：根据道路交通情况控制排放，通过深度学习预测充电桩负荷，分析摄像头捕获的图像来调整车速。一辆自动驾驶汽车上有数百个传感器，这些传感器的数据首先需要基于有效的数据融合方法进行融合，然后利用深度学习进一步从传感器数据中提取可解释的信息。
第四部分：面向信息管理的深度学习。本部分涵盖了对部分智能信息的收集和解析。例如，我们可以基于道路交通状况和给定目的地的信息，将深度学习用于节能车辆轨迹控制；我们还可以基于深度学习算法进行自然语言处理，用于驾驶过程中的物联网（IoT）自动搜索。车辆群体感知也是一个具有挑战性的问题，因为一些车辆没有动力系统参与传感器网络。本部分将介绍如何使用深度学习进行有价值的信息提取，以更好地理解道路环境。
第五部分：其他应用。本部分介绍了深度学习模型在其他车辆控制中的应用。例如，我们可以使用深度学习来识别驾驶行为，以确定驾驶人在驾驶过程中是否头脑清醒。另外还讨论了模拟器的设计问题，以研究如何使用深度学习对车辆摄像头收集的视频数据进行计算机视觉理解。
自动驾驶汽车在当今社会越来越受欢迎。深度学习及其变体将在车辆通信和控制方面发挥越来越重要的作用。其他机器学习模型，如深度强化学习，也将促进智能车辆行为的理解和调整。我们期望本书成为您理解这一关键领域的宝贵参考。

编　者