java机器学习 机械工业出版pdf_学习运动规划该看什么书
赞
踩
因为我自己是做自动驾驶二维运动规划方向的，所以书籍也基本是偏向这个方向。列出一些书单，会时不时更新。书籍分为两方面，一个是机器人学基础，一个是关于优化算法的数学基础，大家尽情享用吧。
1 机器人学基础
[1]《Principles of Robot Motion Theory, Algorithms, and Implementations》
机器人学中的圣经，做运动规划的手头书籍，常翻常新。 Robotics: Computational Motion Planning | Coursera机器人学中的圣经，做运动规划的手头书籍，常翻常新。
推荐指数：五颗星
Robot Motion Planningwww.cs.cmu.edu
[2]《The DARPA Urban Challenge: autonomous vehicles in city traffic》. Berlin: Springer, 2009.
推荐指数：四颗星
[3]《Springer handbook of robotics》. Berlin: Springer, 2008.
有中文版，是部百科全书似的大部头，各章都是杰出人才写的自己拿手研究领域的基础内容。
[4]《 Planning Algorithms》. Cambridge: Cambridge University Press, 2006.
详细介绍了机器人（运动）规划中的问题，也包含其它一些领域的基础性介绍。作者旁征博引，但是我个人感觉写作风格不好，缺少注释，读起来比较费劲。该书有中文版：《规划算法》，但是翻译得同样生硬拗口。
推荐指数：五颗星
[5] 陈慧岩. 《无人驾驶汽车概论》. 北京理工大学出版社, 2014.
比较入门，了解车辆自动驾驶的各个方向。
[6] 蔡自兴. 《机器人学基础》. 机械工业出版社, 2009.
[7] Sc A E D, Arem B V, Amditis A, et al. Handbook of Intelligent Vehicles[M]. Springer London, 2012.
2 数学基础
[8] 彭家贵, 陈卿. 《微分几何》. 高等教育出版社, 2002.
推荐指数：四颗星
如果将轨迹解耦来看，分别做路径规划和速度规划，那么路径的形状由曲率决定，朝向由航向角决定，所以通过这本书加深对曲线的理解。
[9]JorgeNocedal, StephenJ.Wright, Wright,等. 数值最优化[M]. 科学出版社, 2006.
推荐指数：五颗星
吴老师课程www.bilibili.com[10]Stephen Boyd, Lieven Vandenberghe. 凸优化[M]. 清华大学出版社, 2013.
推荐指数：五颗星
凌老师课程www.bilibili.com[11]陈宝林. 最优化理论与算法（第2版）
这本书还是比较偏理论的，主要关注于线性优化
推荐指数：四颗星
任老师课程www.bilibili.com[12] 高立. 数值最优化方法
这本书是一个小册子，个人感觉讲解的比较精炼
[13] 刘兴高. 应用最优化方法及matlab实现
如果想急着应用，这本书也讲得很好，理论证明不是重点，快速上手才是重点
[14] 胡寿松. 最优控制理论与系统（第三版）
看完这个，对边值问题的处理又多了一个思路。
推荐指数：四颗星
[15]李传江. 最优控制
这本书个人觉得比上一本讲解得好一些，从最优化和最优控制的关系讲起，接着讲了一章的最优化，从第三章开始，从变分法讲起，缓缓道来。
推荐指数：五颗星
[16]现代控制系统 第十二版
推荐指数：五颗星
关于控制理论的背景知识，经典控制论和现代控制论，对于做规划的同学是一定要熟悉的。
[17]萨奥尔. 数值分析 第二版 机械工业出版社
关于方程和方程组的数值解，常微分方程和偏微分方程的数值解问题，我们需要熟悉。当然，如果觉得数值分析过于理论的话，可以看计算方法、数值计算方法之类的偏应用的教材。
推荐指数：五颗星
[18] 邓俊辉. 数据结构（第三版）
学习图论的一些基础知识，在图搜索算法中会用到。
推荐指数：五颗星
邓老师课程www.bilibili.com[19] 算法导论
综上，做规划需要学习的教材或者知识，包括但不限于：《机器人运动法则》、《规划算法》、现代控制理论、数值计算方法或者数值分析、最优化理论、最优控制、微分几何、图搜索。
3 进阶篇
进阶篇主要涉及到：考虑感知的不确定性，怎么对其他物体进行预测，以及决策层该怎么样做出更合理的决策。因为我本人对这一块并没有深入地研究，所以给出的书籍并不一定完整。
[20] Dan Simon. 最优状态估计[M]. 2013.
[21]李航. 统计学习方法[M]. 清华大学出版社, 2012.
[22] 概率机器人
[23] Sutton R S, Barto A G. Reinforcement learning: An introduction[M]. MIT press, 2018.
PDFgithub.com
