相關主題
商品描述
本書圍繞純視覺自動駕駛技術的前沿發展，逐層深入，探討技術背景、應用細節及未來趨勢。具體而言，書中首先介紹了高精地圖與無圖模式的概念、演變過程以及它們在自動駕駛中的核心應用。隨後，書中詳細講解了視覺傳感器的選型與校準、目標檢測與跟蹤技術、全景建模與環境理解的基本原理。在此基礎上，本書沿著自動駕駛技術的開發路線，重點闡述了數據采集與管理、算法模型訓練、感知軟件開發、場景開發及測試流程的優化。書中還圍繞行為理解與世界模型的構建、自動化矢量地圖的構建方法，以及環境重建的基本方法展開，強調這些技術在實際應用中的重要性和相互關聯性。此外，書中提供了相關工具和實際案例介紹，幫助讀者將理論知識轉化為實踐能力。 ，書中展望了純視覺自動駕駛技術的未來發展趨勢，探討當前技術面臨的挑戰以及需要解決的問題。本書適合對自動駕駛技術及相關領域感興趣的讀者，無論是開發者、研究人員、設計師，還是剛剛入門的學生均能從書中獲益。同時，對於具備相關知識背景的行業從業者，本書也提供了深入學習和實踐的有力支持。
作者簡介
錢燁強，上海交通大學電信學院自動化系長聘教軌副教授、博士生導師。圍繞智能車感知與導航技術近5年發表學術論文30余篇，IEEE Trans系列長文10余篇。獲得SAA 博士學位論文，全國博士後創新創業大賽銀獎、上海市技術發明一等獎（參與人）等多個獎項。主持國自然科學基金面上項目、 自然科學基金青年項目、中國博士後基金面上項目、上海市 博士後激勵資助計劃等多個項目。擔任中國指揮與控制學會智能指揮與控制系統工程專委會常務委員，擔任IEEE IROS 2024和2023的編委和上海交通大學學報英文版的客座編輯。
目錄大綱
前 言
第 1 章 從高精地圖到無圖模式的自動駕駛技術演變
1.1 地圖的魔力：自動駕駛的起點 / 001
1.1.1 昔日輝煌：自動駕駛的有圖時代 / 001
1.1.2 雙刃劍的舞動：高精地圖的弊端 / 005
1.2 從依賴到獨立：無圖模式的挑戰 / 011
1.2.1 背景驅動：從地圖依賴到無圖探索 / 012
1.2.2 核心支撐：實現無圖的關鍵技術 / 014
1.2.3 產業觀察：無圖方案的發展現況 / 016
1.2.4 隱憂與瓶頸：落地過程中的主要挑戰 / 019
1.2.5 新機與潛能：無圖方案的應用前景 / 021
第 2 章 洞悉自動駕駛之眼：攝影機的妙用與精調
2.1 視覺感測器的種類與原理 / 025
2.1.1 單目攝影機：最基礎的視覺感知 / 025
2.1.2 雙目與多目攝影機：立體視覺的實現 / 027
2.1.3 全景攝影機：360° 無死角的視界 / 030
2.2 視覺感測器的安裝與配置 / 032
2.2.1 合理的感測器配置策略 / 032
2.2.2 感測器視角的最佳化與覆蓋 / 035
2.3 視覺感測器的校準技術 / 037
2.3.1 外參校準：確定感測器的相對位置 / 037
2.3.2 內參校準：提升攝影機的感知精度 / 040
2.4 讓攝影機看得更清楚：資料最佳化的祕密 / 042
2.4.1 去除「雜訊」的影像清理技術 / 042
2.4.2 多隻「眼睛」的協作：視角合成與融合 / 045
2.4.3 鳥瞰圖：為車輛裝上「上帝視角」 / 046
2.5 未來的攝影機：更聰明、更強大 / 049
2.5.1 解析度越高越好嗎？ / 049
2.5.2 「自我學習」的攝影機 / 051
2.5.3 AI 賦能的「超級視角」 / 054
第 3 章 目標偵測與目標追蹤
3.1 感知任務中的基礎與關鍵角色 / 056
3.1.1 核心功能：從視覺輸入到目標與軌跡的建立 / 057
3.1.2 價值與意義：安全駕駛的基石與魯棒性的保障 / 059
3.2 目標偵測：理解道路與交通參與者 / 061
3.2.1 道路與規則要素：車道線、路緣、交通標誌與號誌燈 / 062
3.2.2 交通參與者：車輛、行人、騎行者 / 067
3.2.3 異常與低頻目標：施工設施、掉落物、動物等 / 070
3.3 目標追蹤：穩定的時間序列感知 / 071
3.3.1 從偵測到軌跡：多目標追蹤與軌跡生成 / 072
3.3.2 穩定性挑戰：遮擋恢復、身分一致性與軌跡管理 / 074
3.3.3 即時性挑戰：視覺目標追蹤的效率與算力最佳化 / 077
3.4 方法進展與融合方向 / 079
3.4.1 模型演進：大模型驅動的感知範式 / 079
3.4.2 感知與規劃的銜接：端到端與一體化趨勢 / 082
第 4 章 全景建模與環境理解
4.1 佔用網路：開啟環境理解的新視野 / 086
4.1.1 從二維視角到全域感知 / 086
4.1.2 感知賦能：佔用網路在智慧感知中的角色 / 090
4.2 資料生成：建構智慧的「基礎原料」 / 093
4.2.1 資料蒐集：真值建構的核心素材 / 093
4.2.2 資料生成流程揭密：資料的「煉金術」 / 098
4.2.3 精度指標：如何衡量模型效能？ / 105
4.3 模型演化：智慧理解的「多樣化路徑」 / 107
4.3.1 佔用網路模型：三維特徵表達的多樣性 / 107
4.3.2 輕量化與稀疏化方案：高效推論的關鍵 / 110
4.3.3 自監督學習方案：模型自主學習的探索之旅 / 115
第 5 章 行為理解與預測：自動駕駛的演繹推理
5.1 像人類駕駛人一樣思考 / 119
5.1.1 人類駕駛人的核心能力 / 120
5.1.2 自動駕駛如何具備推理能力 / 122
5.2 理解交通參與者：行為預測 / 124
5.2.1 感知與規劃的橋樑：預測演算法 / 126
5.2.2 從歷史中學習：時空資訊建模 / 128
5.2.3 行為預測的前景與挑戰 / 131
5.3 場景理解 / 131
5.3.1 從感知到理解：場景解析的背景 / 132
5.3.2 方法與路徑：現有場景理解技術 / 134
5.3.3 邁向未來：場景理解的機會與挑戰 / 139
5.4 推演未來：世界模型 / 140
5.4.1 自動駕駛中的世界模型 / 140
5.4.2 生成式 AI：如何創造未來世界 / 142
5.4.3 自動駕駛中的世界模型（進階） / 145
第 6 章 自動化向量地圖建構
6.1 駛向無圖時代：感知向量構圖的崛起 / 147
6.1.1 感知優先：無圖時代的重要性 / 148
6.1.2 賦能應用：無圖感知的實務場景 / 151
6.1.3 技術沈澱：傳統高精地圖的發展 / 155
6.1.4 輕量化演進：區域高精向量地圖 / 157
6.2 技術引擎：主流向量建構框架解析 / 159
6.2.1 端到端理念：向量構圖網路概述 / 159
6.2.2 核心方案：主流端到端框架剖析 / 161
6.2.3 多元探索：其他向量建構方法 / 164
6.3 如何為區域向量構圖網路評分 / 166
6.3.1 資料基礎：常用資料集 / 166
6.3.2 評測體系：核心評估指標 / 169
6.3.3 對比分析：常見基準表現 / 171
6.3.4 細部評測：含中心線基準的表現 / 173
6.4 未來探索：挑戰與機會的交會點 / 175
6.4.1 難題解析：區域向量地圖建構的挑戰 / 175
6.4.2 未來之光：區域向量構圖的發展機遇 / 177
第 7 章 駕駛模擬與模型重建渲染
7.1 駕駛模擬：從虛擬走向現實 / 179
7.1.1 機器人與模擬：源於虛擬的技術萌芽 / 180
7.1.2 自動駕駛模擬器：幕後英雄的功能與設計 / 182
7.1.3 Sim2Real：虛擬駕駛如何加速真實落地 / 185
7.2 三維重建：為自動駕駛「重現」世界 / 188
7.2.1 傳統建模：人工數位場景重建 / 188
7.2.2 自動化三維重建：理解三維世界的演算法 / 190
7.2.3 智慧重建：基於深度學習的環境建構 / 195
7.3 新視角合成與渲染：賦予駕駛場景新生命 / 199
7.3.1 NeRF 與 3DGS：重塑視野的雙利器 / 199
7.3.2 未來展望：重建渲染的無限可能 / 205
第 8 章 當前挑戰與未來展望
8.1 自動駕駛的「路障」：問題與挑戰 / 207
8.1.1 簡單與複雜：純視覺技術無法涵蓋的情境 / 207
8.1.2 有限與無限：訓練資料不足與硬體成本問題 / 210
8.1.3 衝突與統一：制度與政策差異帶來的挑戰 / 212
8.2 自動駕駛的「突破之道」：解決方案與協作策略 / 212
8.2.1 軟硬體突破：提升視覺系統的適應性與準確度 / 213
8.2.2 資料支援與成本控制：擴充訓練資料並降低系統成本 / 215
8.2.3 協調與引導：推動制度與政策的規範化 / 217
8.3 未來自動駕駛的「藍圖」：願景與創新發展 / 218
參考文獻
