本书基于作者团队多年教学实践，以及指导、设计和组织全国大学生智能汽车竞赛的实战经验编写而成，系统介绍了Python编程、深度学习原理及其在智能车系统中的综合应用。 全书内容涵盖Python编程基础、数据处理、计算机视觉及深度学习理论与项目实践。第2版重点增加了智能车硬件平台架构、运动控制原理与大模型智能体开发等前沿技术，并以竞赛任务为主线，完整呈现了从环境搭建、模型训练到边缘部署的全流程开发方法。 本书结构清晰、案例驱动，既可作为高等院校智能车辆、智慧交通、人工智能、自动化等相关专业的教材，也可作为全国大学生智能汽车竞赛的备赛指南，以及从事嵌入式AI和机器人技术开发的工程技术人员参考用书。

徐国艳，北京航空航天大学校副教授。 刘聪琳，百度产品运营经理。 黄国柒，上海鲸鱼机器人公司研发总监。

序
前言
第一部分　人工智能概述与Python编程基础
第1章 人工智能与智能车竞赛概述 / 002
1.1　人工智能的时代背景与战略意义 / 002
1.2　人工智能的发展及基本概念 / 003
1.3　我国人工智能的发展历程 / 006
1.4　人工智能与智能汽车的融合 / 008
1.5 全国大学生智能汽车竞赛概述 / 010
习题 / 012
第2章 Python编程基础 / 014
2.1　Python语言概述 / 014
2.2　Python开发环境搭建 / 015
2.3　程序的基本设计方法 / 017
2.3.1　IPO程序设计方法 / 017
2.3.2　实例：ReLU激活函数 / 018
2.3.3　实例：智能车差速转向控制 / 018
2.4　Python基本语法元素 / 019
2.5　Python基本数据类型 / 020
2.5.1　数字类型 / 020
2.5.2　数字运算 / 022
2.5.3　字符串类型 / 022
2.5.4　实例：智能车控制中的数据类型综合应用 / 023
2.6　程序控制结构 / 024
2.6.1　分支结构 / 024
2.6.2　循环结构 / 025
2.6.3　程序异常处理 / 028
2.7　三个常用Python库 / 029
2.7.1　math库 / 029
2.7.2　random库 / 029
2.7.3　turtle库 / 029
2.7.4　实例：智能车竞赛赛道绘制 / 030
习题 / 030
第3章 Python面向对象编程与组合数据类型 / 033
3.1　函数的定义与使用 / 033
3.1.1　函数的定义与调用 / 033
3.1.2　函数参数传递 / 034
3.1.3　函数的返回值与递归 / 035
3.1.4　变量作用域与lambda函数 / 035
3.1.5　实例：单层感知机函数 / 036
3.2　面向对象编程 / 037
3.2.1　类与对象的基本概念 / 037
3.2.2　类的定义与实例化 / 037
3.2.3　类属性与实例属性 / 037
3.2.4　继承与多态 / 038
3.2.5　实例：智能车巡航类设计 / 038
3.2.6　实例：单层感知机类设计 / 039
3.3　组合数据类型与应用 / 039
3.3.1　元组的特性与操作 / 039
3.3.2　列表的特性与操作 / 039
3.3.3　集合的特性与操作 / 040
3.3.4　字典的特性与操作 / 040
3.3.5　实例：交通图像数据标注字典管理 / 041
3.3.6　实例：用类创建智能车自动巡航的字典 / 041
习题 / 042
第二部分　数据处理与计算机视觉
第4章 文件操作和数据处理分析 / 046
4.1　文件基础与操作 / 046
4.1.1　文件的理解与分类 / 046
4.1.2　文件的打开和关闭 / 047
4.1.3　文件的读取操作 / 048
4.1.4　文件的写入操作 / 048
4.1.5　文件指针控制 / 049
4.1.6　实例：智能车运行日志文件操作 / 049
4.2　文件系统与数据格式化 / 049
4.2.1　OS库文件管理 / 049
4.2.2　zipfile库压缩文件处理 / 050
4.2.3　数据格式化处理 / 051
4.2.4　实例：车辆图片数据集处理 / 052
4.2.5　实例：车辆图片json文件处理 / 052
4.3　三个数据处理分析库 / 053
4.3.1　Numpy数值计算 / 053
4.3.2　Pandas数据分析 / 054
4.3.3　Matplotlib数据可视化 / 055
4.3.4　实例：loss和acc曲线绘制 / 056
习题 / 057
第5章 图像处理和计算机视觉应用 / 061
5.1　数字图像处理基础 / 061
5.1.1　图像数字化原理 / 061
5.1.2　色彩空间及转换 / 062
5.1.3　图像文件格式 / 063
5.2　PIL图像处理 / 064
5.2.1　Image对象解析 / 064
5.2.2　图像格式转换 / 065
5.2.3　图像缩放 / 065
5.2.4　图像分离与融合 / 067
5.2.5　图像几何变换 / 069
5.2.6　其他图像处理类 / 070
5.3　OpenCV计算机视觉应用 / 071
5.3.1　OpenCV核心模块及应用 / 071
5.3.2　图像变换与操作 / 072
5.3.3　实例：图像标注与可视化 / 074
5.4　基于Numpy的图像处理 / 074
5.4.1　图像矩阵高级操作 / 075
5.4.2　图像卷积与滤波实现 / 076
5.4.3　实例：车道线边缘检测 / 076
5.5　图像处理可视化及统计分析 / 077
5.5.1　直方图分析与均衡化 / 078
5.5.2　颜色分布统计与可视化 / 079
5.5.3　纹理特征分析 / 079
5.6　交通图像综合分析实践案例 / 080
5.6.1　实例：交通图像质量评估系统 / 080
5.6.2　实例：车道线检测多算法对比展示系统 / 080
习题 / 082
第三部分　深度学习理论与视觉模型构建
第6章 深度学习基础及图片分类识别项目实践 / 086
6.1　神经网络简介 / 086
6.1.1　神经网络基本概念 / 086
6.1.2　单层感知机 / 086
6.1.3　多层感知机 / 088
6.2　深度学习数学理论 / 089
6.2.1　信号前向传播 / 089
6.2.2　激活函数 / 090
6.2.3　损失函数 / 092
6.2.4　参数优化方法 / 093
6.2.5　误差反向传播 / 095
6.2.6　计算图 / 101
6.3　基于全连接神经网络的车辆分类识别项目 / 103
习题 / 105
第7章 卷积神经网络及斑马线分类识别项目实践 / 107
7.1　卷积神经网络理论基础 / 107
7.1.1　卷积神经网络基本结构 / 107
7.1.2　卷积层 / 109
7.1.3　池化层 / 112
7.2　典型的卷积神经网络模型 / 113
7.2.1　LeNet / 113
7.2.2　AlexNet / 115
7.2.3　VGGNet / 116
7.2.4　GoogLeNet / 118
7.2.5　ResNet / 121
7.3　基于CNN的斑马线分类识别 / 124
习题 / 125
第四部分　智能车全系统集成与创新应用
第8章 智能车硬件平台架构及运动控制实践 / 128
8.1　智能车硬件系统宏观架构 / 128
8.1.1　智能车硬件系统分层架构 / 128
8.1.2　控制层上下位机协同架构 / 129
8.2　上位机Linux开发环境搭建与基础 / 130
8.2.1　上位机介绍 / 130
8.2.2　Linux的优势 / 130
8.2.3　Linux基础操作入门 / 131
8.2.4　实验：上位机实验操作 / 132
8.3　下位机实时控制核心与协议实现 / 134
8.3.1　下位机功能 / 134
8.3.2　上下位机控制协议 / 135
8.3.3　实验：下位机协议实现与调试 / 135
8.4　执行层与运动控制算法 / 137
8.4.1　执行层 / 137
8.4.2　实验：上位机通信协议封装与调试 / 139
8.4.3　PID控制算法原理与整定 / 143
8.4.4　实验：PID位置闭环控制（编码器反馈） / 146
8.5　麦克纳姆轮全向移动平台运动控制原理及实践 / 149
8.5.1　麦克纳姆轮结构与全向移动优势 / 149
8.5.2　运动学建模与正逆解算原理 / 150
8.5.3　实验：麦克纳姆轮平台全向移动与控制 / 153
8.6　差速轮移动平台运动控制原理及实践 / 157
8.6.1　差速轮移动平台结构优势与劣势 / 157
8.6.2　运动学建模与正逆解算原理 / 158
8.6.3　实验：差速轮平台移动与控制实践 / 159
8.7　阿克曼转向移动平台运动控制原理及实践 / 162
8.7.1　阿克曼转向结构与运动特性 / 162
8.7.2　运动学建模与控制原理 / 163
8.7.3　实验：单电机后驱阿克曼转向平台运动控制实践 / 166
习题 / 171
第9章　智能车从图像处理到深度学习的自动巡航实践 / 173
9.1　智能车自动巡航任务概述 / 173
9.1.1　竞赛任务与规则解析 / 173
9.1.2　自动巡航的技术路线选择 / 175
9.2　基于OpenCV图像处理的智能车自动巡航实践 / 175
9.2.1　车道线检测核心思想 / 175
9.2.2　使用颜色阈值与ROI进行车道线检测 / 176
9.2.3　系统校准与巡航参数调试 / 178
9.2.4　百度智慧交通创意组巡航测试 / 178
9.3　基于CNN回归模型的智能车自动巡航 / 181
9.3.1　数据采集与数据预处理 / 181
9.3.2　数据增强 / 182
9.3.3　CNN回归模型设计 / 185
9.3.4　代码设计及模型训练 / 186
9.3.5　模型部署、实车验证与效果分析 / 187
习题 / 189
第10章　智能车目标检测从数据到边缘部署的全流程实践 / 190
10.1　目标检测任务与评估指标 / 190
10.1.1　目标检测任务定义与竞赛需求 / 190
10.1.2　数据格式与评估指标 / 191
10.2　单阶段目标检测模型选择与轻量化 / 193
10.2.1　YOLO系列模型核心思想与选型建议 / 193
10.2.2　神经网络轻量化技术 / 193
10.3　目标检测数据集构建全流程 / 194
10.3.1　数据采集 / 194
10.3.2　数据标注 / 197
10.3.3　数据集划分与格式整理 / 203
10.4　基于PaddleDetection的模型训练与验证 / 205
10.4.1　PaddleDetection环境配置 / 205
10.4.2　配置文件解读与关键参数设置 / 206
10.4.3　启动训练与模型导出 / 207
10.5　模型转换与Jetson Orin Nano边缘部署 / 208
10.5.1　模型转换 / 208
10.5.2　部署实践 / 209
习题 / 209
第11章　智能车大模型智能体开发与集成实践 / 211
11.1　大模型智能体范式与竞赛任务升级 / 211
11.1.1　从自动化工具到自主智能体的范式转变 / 211
11.1.2　大模型的核心能力与智能体构成要素 / 211
11.1.3　面向竞赛的自然语言与场景理解任务 / 212
11.2　大模型API调用与工程封装 / 213
11.2.1　文心一言API访问配置与初始化 / 213
11.2.2　文本对话与多轮会话管理 / 213
11.2.3　多模态输入与图像理解实践 / 214
11.2.4　工程化封装与对话管理类设计 / 215
11.3　智能车大模型任务集成方法 / 218
11.3.1　竞赛任务类型与技术路径解析 / 218
11.3.2　系统架构 / 219
11.3.3　OCR模型部署与文本信息提取 / 219
11.3.4　提示工程与JSON Schema结构化输出 / 221
11.3.5　函数调用与工具集成实现 / 222
11.3.6　MCP模型上下文协议与工具生态 / 223
11.4　竞赛任务全流程开发实验 / 224
11.4.1　OCR与结构化推理：农田除害任务 / 224
11.4.2　多模态端到端理解：食材识别任务 / 226
习题 / 228
第12章　智能车增强现实与虚实融合技术基础 / 230
12.1　增强现实与车载AR概述 / 230
12.2　AR系统的基本原理 / 230
12.3　智能车AR系统中的坐标系 / 231
12.4　定位与姿态估计基础 / 232
12.4.1　AR系统对定位的核心依赖 / 233
12.4.2　车载自主定位：视觉SLAM / 233
12.4.3　外部参考定位 / 234
12.5　相机模型与空间投影 / 235
12.6　AI计算板卡RKNN边缘推理部署 / 238
12.7　目标检测与语义分割推理实现 / 239
12.7.1　PP-YOLOE目标检测后处理 / 239
12.7.2　PP-Seg语义分割推理 / 239
12.8　上下位机通信与智能车运动控制 / 240
12.9　综合实践：AR感知-决策-控制闭环 / 241
习题 / 242
参考文献 / 245