自動駕駛汽車環境感知（簡體書）

本書介紹了自動駕駛汽車環境感知技術。從自動駕駛環境感知概述開始，介紹了車載感測器及感測器標定、電腦視覺與神經網路、環境感知與識別、自動駕駛道路複雜場景語義理解，以及多感測器融合，並通過範例實踐驗證。

前言









第1章自動駕駛環境感知概述









1.1自動駕駛環境感知介紹









1.2車載感知系統組成簡介















第2章車載傳感器介紹









2.1攝像頭









2.1.1概述









2.1.2工作原理









2.1.3優缺點









2.1.4攝像頭在自動駕駛汽車上的應用









2.2激光雷達









2.2.1概述









2.2.2工作原理









2.2.3優缺點









2.2.4激光雷達在自動駕駛汽車中的應用









2.3毫米波雷達









2.3.1概述









2.3.2工作原理









2.3.3優缺點









2.3.4毫米波雷達在自動駕駛汽車中的應用









2.4超聲波雷達









2.4.1概述









2.4.2工作原理









2.4.3優缺點









2.4.4超聲波雷達在自動駕駛汽車上的應用









2.5慣性導航









2.5.1概述









2.5.2工作原理









2.5.3優缺點









2.5.4慣性導航在自動駕駛汽車上的應用









2.6本章小結









參考文獻















第3章傳感器標定









3.1概述









3.2攝像頭的標定









3.2.1攝像頭內參數標定









3.2.2攝像頭間外參的標定









3.3激光雷達的標定









3.3.1激光雷達與激光雷達之間的外參標定









3.3.2激光雷達與攝像機的標定









3.4聯合標定實驗









3.5本章小結









參考文獻







































第4章計算機視覺與神經網絡









4.1無人駕駛與計算機視覺









4.1.1生物視覺









4.1.2邊緣檢測









4.1.3圖像分割









4.1.4神經網絡與深度學習









4.1.5深度學習與傳統學習









4.1.6計算機視覺在自動駕駛中的應用









4.2深度前饋網絡









4.2.1神經元









4.2.2網絡結構









4.2.3深度前饋網絡









4.2.4參數學習









4.3卷積神經網絡









4.3.1卷積的概念









4.3.2卷積神經網絡的性質









4.3.3卷積神經網絡基本結構









4.3.4典型卷積神經網絡









參考文獻















第5章環境感知與識別









5.1環境感知與識別概述









5.2障礙物檢測









5.2.1基於圖像的障礙物檢測









5.2.2基於激光雷達的障礙物檢測









5.2.3基於視覺和激光雷達融合的障礙物檢測









5.3車道線檢測









5.3.1基於傳統計算機視覺的車道線檢測









5.3.2基於深度學習的車道線檢測









5.3.3基於激光雷達的車道線檢測









5.4紅綠燈檢測









5.4.1基於傳統視覺方法的紅綠燈檢測









5.4.2基於深度學習的紅綠燈檢測









5.4.3高精地圖結合









5.5場景流









5.5.1概述









5.5.2深度估計









5.5.3光流估計









5.6基於V2X的道路環境感知技術









5.6.1V2X技術









5.6.2路側感知技術









5.7紅綠燈檢測實驗









5.7.1Apollo紅綠燈數據集









5.7.2實驗流程









5.8本章小結









參考文獻















第6章自動駕駛道路複雜場景語義理解









6.1ApolloScape數據集









6.2可行駛區域檢測









6.2.1基於傳統計算機視覺的可行駛區域檢測









6.2.2基於深度學習的可行駛區域檢測









6.3複雜場景理解









6.3.1問題分析與應用場景









6.3.2CNN+LSTM實現









6.4動態場景理解









6.4.1多目標跟蹤









6.4.2路徑實時預測









6.4.3行人手勢識別









6.5基於PointNet的點雲分類和語義分割實驗









6.5.1應用模型介紹









6.5.2實驗環境









6.5.3PointNet++代碼運行









6.6本章小結









參考文獻















第7章多傳感器融合









7.1概述









7.2多傳感器信息融合基礎理論









7.2.1多傳感器信息融合概述









7.2.2多傳感器融合結構









7.2.3多傳感器融合算法









7.3多傳感器後融合技術









7.3.1Ulm自動駕駛： 模塊化的融合方法









7.3.2FOPMOC模型









7.4多傳感器前融合技術









7.4.1MV3D









7.4.2AVOD









7.4.3FPointNet









7.5本章小結









參考文獻