本书针对自主驾驶场景感知中的动态场景预测、多目标检测和多目标跟踪这三个关键任务，分别介绍了三种不同的深度循环神经架构，讨论了如何在保证场景感知性能良好的情况下，有效缓解深度学习中存在的数据需求量大、人工标签需求量大，以及缺乏可解释性的三个重要问题。为进一步提高自主驾驶对场景的适应性，本书也对局部路径规划算法进行了深入探讨。
本书可作为高等院校自动化、人工智能等相关专业本科生的参考教材，也可作为从事自主驾驶研究的科研人员、军队无人作战指挥人员的参考资料。

第1章 绪论
1.1 研究背景
1.1.1 自主驾驶
1.1.2 自主驾驶场景感知
1.1.3 面向自主驾驶场景感知的深度学习
1.2 研究内容
1.3 国内外的研究现状
1.3.1 动态场景预测
1.3.2 多目标检测
1.3.3 多目标跟踪
1.3.4 局部路径规划
1.4 展望
第2章 面向动态场景预测的张量式循环神经网络
2.1 引言
2.2 方法
2.2.1 张量化隐状态
2.2.2 合并深度计算
2.2.3 扩展为LSTM
2.2.4 处理结构化输入
2.3 实验
2.3.1 任务1：文本生成
2.3.2 任务2：文本计算
2.3.3 任务3：图像分类
2.3.4 任务4：动态场景预测
2.3.5 记忆单元的可视化
2.4 相关工作
2.4.1 卷积LSTM
2.4.2 深度LSTM
2.4.3 其他并行化方法
2.5 本章小结
第3章 面向无监督多目标检测的记忆式循环注意力网络
3.1 引言
3.2 无监督多目标检测：通过渲染进行检测
3.2.1 概述
3.2.2 特征提取器
3.2.3 循环目标检测器
3.2.4 渲染器
3.2.5 损失
3.3 记忆式循环注意力网络
3.4 实验
3.4.1 Sprites 数据集
3.4.2 DukeMTMC数据集
3.4.3 TUD数据集
3.4.4 UMOD-MRAN 数据集的可视化
3.5 相关工作
3.6 本章小结
第4章 面向无监督多目标跟踪的重优先化循环注意力网络
4.1 引言
4.2 通过生成动画进行跟踪
4.2.1 概述
4.2.2 特征提取器
4.2.3 跟踪器阵列
4.2.4 渲染器
4.2.5 损失
4.3 重优先化注意式跟踪
4.3.1 使用注意力
4.3.2 将输入作为记忆
4.3.3 重优先化跟踪器
4.3.4 使用自适应计算时间
4.4 实验
4.4.1 Sprites-MOT数据集
4.4.2 DukeMTMC数据集
4.4.3 TUD数据集
4.4.4 RAT的可视化
4.5 相关工作
4.5.1 面向视觉数据理解的无监督学习
4.5.2 在线MOT中的数据关联
4.6 本章小结
第5章 基于双过程理论的分层局部路径规划
5.1 引言
5.2 方法
5.2.1 分层局部路径规划
5.2.2 面向任务的规划层调度
5.3 实验
5.3.1 结构化场景任务下的分层局部路径规划
5.3.2 非结构化场景任务下的分层局部路径规划
5.4 相关工作
5.4.1 轨迹生成法
5.4.2 图搜索法
5.4.3 其他方法
5.5 本章小结
5.5.1 算法的局限性
参考文献
附录A 面向动态场景预测的张量式循环神经网络
A.1 跨层卷积的数学定义
A.1.1 隐状态卷积
A.1.2 记忆单元卷积
A.2 L、P和K之间约束的推导
A.3 记忆单元卷积可减缓梯度消失/爆炸
附录B 面向无监督多目标检测的记忆式循环注意力网络
B.1 实现详情
B.1.1 模型配置
B.1.2 训练配置
附录C 面向无监督多目标跟踪的重优先化循环注意力网络
C.1 实现详情
C.1.1 模型配置
C.1.2 训练配置
C.2 Mnist-MOT数据集