智能駕駛汽車覆雜場景感知技術

田迪，長安大學博士畢業，目前就職於西安石油大學。

前　言
章
緒論
1.1　智能駕駛環境感知技術背景／ ００１
１.１.１　智能駕駛的發展背景／ ００１
１.１.２　智能車輛的研究現狀／ ００５
１.１.３　覆雜場景感知技術的重要性／ ００９
1.2　覆雜場景感知技術發展現狀／ ０１０
１.２.１　早期理論探索與傳統感知技術／ ０１０
１.２.２　基於深度學習的覆雜場景感知技術／ ０１２
1.3　覆雜場景的感知需求及關鍵挑戰／ ０１５
１.３.１　覆雜場景的具體感知需求／ ０１５
１.３.２　覆雜場景感知技術的關鍵問題／ ０１７
１.３.３　未來研究方向展望／ ０１９
1.4　本章小結／ ０２０
第2 章
覆雜場景感
知的深度學
習方法
　2.1　圖像預處理方法／ ０２１
２.１.１　圖像平滑／ ０２１
２.１.２　尺度歸一化／ ０２３
２.１.３　Ｆｏｃｕｓ 切片處理／ ０２４
２.１.４　數據增強／ ０２５
2.2　卷積神經網絡／ ０２７
２.２.１　卷積神經網絡關鍵模塊／ ０２７
２.２.２　模型優化方法／ ０３２
２.２.３　經典特征提取網絡／ ０３４
2.3　循環神經網絡／ ０３９
２.３.１　循環神經網絡概述／ ０３９
２.３.２　循環神經網絡的衍生模型／ ０４１
２.３.３　循環神經網絡的不足及其發展趨勢／ ０４５
2.4 　Transformer ／ ０４７
２.４.１　Ｔｒａｎｓｆｏｒｍｅｒ 概述／ ０４８
２.４.２　Ｔｒａｎｓｆｏｒｍｅｒ 的實現／ ０５０
２.４.３　Ｔｒａｎｓｆｏｒｍｅｒ 的不足及其發展趨勢／ ０５２
2.5　生成對抗網絡／ ０５４
２.５.１　生成對抗網絡概述／ ０５４
２.５.２　生成對抗網絡的衍生模型／ ０５６
２.５.３　生成對抗網絡的不足及其發展趨勢／ ０６０
2.6　本章小結／ ０６２
第3 章
面向智能駕
駛覆雜場景
感知的目標
檢測技術
3.1　目標檢測關鍵問題的理論方法分析／ ０６３
３.１.１　邊界框回歸損失相關理論分析／ ０６４
３.１.２　註意力機制相關理論分析／ ０６８
３.１.３　模型訓練策略相關理論分析／ ０７３
３.１.４　多尺度特征學習相關理論分析／ ０７４
3.2　兩階段目標檢測網絡／ ０７７
３.２.１　ＲＣＮＮ 系列／ ０７７
３.２.２　ＲＦＣＮ ／ ０７９
３.２.３　Ｃａｓｃａｄｅ ＲＣＮＮ ／ ０８０
3.3　單階段目標檢測網絡／ ０８１
３.３.１　ＹＯＬＯ 系列／ ０８１
３.３.２　ＳＳＤ 系列／ ０８６
３.３.３　ＲｅｔｉｎａＮｅｔ ／ ０８８
3.4　無錨框目標檢測網絡／ ０８９
３.４.１　ＣｏｒｎｅｒＮｅｔ ／ ０８９
３.４.２　ＣｅｎｔｅｒＮｅｔ ／ ０９１
３.４.３　ＦＣＯＳ ／ ０９２
3.5　目標檢測算法提升策略／ ０９３
３.５.１　多尺度檢測／ ０９３
３.５.２　樣本均衡化／ ０９４
３.５.３　上下文信息／ ０９６
３.５.４　非極大值抑制／ ０９７
３.５.５　邊界框回歸／ ０９８
3.6　本章小結／ ０９９
第4 章
面向智能駕
駛覆雜場景
的多任務感
知關鍵技術
4.1　目標跟蹤／ １０１
４.１.１　傳統目標跟蹤方法／ １０２
４.１.２　基於深度學習的目標跟蹤方法／ １０４
４.１.３　目標跟蹤技術存在的難點／ １０７
4.2　語義分割／ １０８
４.２.１　傳統語義分割方法／ １０８
４.２.２　基於深度學習的語義分割方法／ １１０
４.２.３　語義分割常用數據集／ １１２
４.２.４　語義分割技術存在的難點／ １１４
4.3　實例分割／ １１５
４.３.１　基於檢測的實例分割方法／ １１７
４.３.２　基於像素聚類的實例分割方法／ １１９
４.３.３　單階段實例分割方法／ １２１
４.３.４　實例分割技術存在的難點／ １２３
4.4　本章小結／ １２５
第5 章
車聯網場景
下多傳感器
融合感知技術
5.1　車聯網多傳感器融合系統概述／ １２７
5.2　車聯網多傳感器信息融合的關鍵感知設備／ １２９
５.２.１　攝像頭／ １３０
５.２.２　激光雷達／ １３２
５.２.３　毫米波雷達／ １３３
５.２.４　超聲波傳感器／ １３４
５.２.５　ＧＰＳ 和ＩＭＵ ／ １３５
５.２.６　Ｖ２Ｘ ／ １３７
5.3　車聯網多傳感器融合方法／ １３８
５.３.１　融合策略／ １３８
５.３.２　多傳感器融合中的深度學習架構／ １４１
５.３.３　車聯網場景中常用的多傳感器融合方法／ １４２
5.4　車聯網多傳感器融合技術中的關鍵問題／ １４９
５.４.１　多傳感器數據同步／ １４９
５.４.２　信息融合算法／ １５１
５.４.３　數據隱私與安全／ １５２
５.４.４　融合中的傳感器類型／ １５４
５.４.５　監管和立法／ １５４
5.5　車聯網多傳感器融合技術中的發展趨勢／ １５５
5.6　本章小結／ １５６
第6 章
覆雜場景感
知中的邊緣
計算技術
6.1　邊緣計算概述／ １５７
6.2　邊緣計算架構設計／ １５８
６.２.１　邊緣計算模型／ １５８
６.２.２　邊緣雲與核心雲／ １５９
６.２.３　邊緣硬件設備／ １６１
６.２.４　邊緣計算的工程應用／ １６３
6.3　5 G 邊緣計算技術／ １６４
６.３.１　５Ｇ 與邊緣計算的融合／ １６４
６.３.２　５Ｇ 邊緣計算的關鍵技術／ １６７
６.３.３　５Ｇ 邊緣計算的挑戰與解決方案／ １６８
6.4　邊緣計算安全／ １７０
６.４.１　邊緣計算安全概述／ １７０
６.４.２　邊緣計算安全架構設計原則／ １７２
６.４.３　邊緣計算安全的關鍵技術／ １７３
6.5　邊緣計算開源平臺／ １７４
６.５.１　開源平臺概述／ １７４
６.５.２　ＥｄｇｅＸ Ｆｏｕｎｄｒｙ ／ １７６
６.５.３　Ａｋｒａｉｎｏ Ｅｄｇｅ Ｓｔａｃｋ ／ １７８
６.５.４　ＫｕｂｅＥｄｇｅ ／ １７９
6.6　本章小結／ １８０
第7 章
覆雜感知技
術在智能駕
駛場景中的
實際應用
　7.1　障礙物檢測及跟蹤／ １８１
７.１.１　障礙物檢測及跟蹤任務討論／ １８１
７.１.２　具體檢測目標的應用／ １８３
７.１.３　車聯網對障礙物檢測及跟蹤的影響／ １８８
7.2　碰撞預警與制動／ １８９
７.２.１　碰撞預警與制動任務討論／ １８９
７.２.２　車聯網對碰撞預警與制動的影響／ １９１
7.3　自動泊車／ １９２
７.３.１　自動泊車任務討論／ １９２
７.３.２　車聯網對自動泊車的影響／ １９３
7.4　高精度地圖建模／ １９５
７.４.１　高精度地圖建模任務討論／ １９５
７.４.２　車聯網對高精度地圖建模的影響／ １９６
7.5　智能駕駛在典型特殊場景中的落地應用／ １９７
７.５.１　機場自動駕駛托運車／ １９７
７.５.２　礦業自動駕駛貨車／ １９９
７.５.３　港口貨運自動駕駛貨車／ ２００
７.５.４　自動駕駛清掃車／ ２０２
7.6　本章小結／ ２０４
參考文獻／ ２０５
全彩印刷 覆雜場景感知具備實踐意義 智駕關鍵技術