自動駕駛汽車環境感知
甄先通、黃堅、王亮、夏添
買這商品的人也買了...
-
$640$544 -
$990$782 -
$403無人駕駛:人工智能如何顛覆汽車
-
$305自動駕駛系統設計及應用
-
$305自動駕駛技術概論
-
$305自動駕駛汽車定位技術
-
$454深度學習之 PyTorch 物體檢測實戰
-
$690$587 -
$680$578 -
$580$493 -
$474$450 -
$393無人駕駛原理與實踐
-
$343深度學習之模型設計:核心算法與案例實踐
-
$750$593 -
$590$502 -
$331計算機視覺入門到實踐
-
$505$475 -
$480$480 -
$459新能源汽車構造原理快速入門50天
-
$331自動駕駛停車位檢測技術
-
$449智能網聯汽車自動駕駛仿真技術
-
$648$616 -
$1,015節能汽車 : 協同式自動駕駛
-
$502無人系統駕控實踐:基於 Autoware 自動駕駛平臺
-
$534$507
相關主題
商品描述
近年來,世界主要發達國家均全力支持汽車自動駕駛相關研究。
從政府出台政策扶持,到企業投入巨額資金研發,
再到高校及研究機構對相關技術的不斷探索,推動著自動駕駛技術迅速發展和產業規模不斷擴大。
與之相對的是自動駕駛技術人才供不應求,企業和研究機構亟須大量技術人員。
本書系統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,介紹了車載傳感器及傳感器標定、計算機視覺與神經網絡、
環境感知與識別、自動駕駛道路複雜場景語義理解,以及多傳感器融合,
並通過範例實踐驗證,可為具備一定基礎的人員提供自動駕駛環境感知系統的開髮指導。
本書可以作為高等院校車輛工程、交通工程和自動駕駛學生的教材,
也可供從事自動駕駛汽車相關工作的工程技術人員參考和使用。
作者簡介
甄先通
北京航空航天大學電子信息工程學院“卓越百人”副教授。
2013年畢業於英國謝菲爾德大學電子電氣工程系,獲得博士學位。
2014至2017年分別在加拿大西安大略大學和美國德州大學-阿靈頓從事博士後研究工作,
主要研究方向人工智能,包括計算機視覺、機器學習和醫學圖像分析。
迄今為止發表論文50餘篇,包括領域國際期刊如IEEE Transactions on Pattern Analysis and Machine Intelligence (T-PAMI),
IEEE Transactions on Neural Networks and Learning Systems (T-NNLS),
Medical Image Analysis (MedIA),以及會議如IEEE Conference on Co mputer Vision and Pattern Recognition (CVPR)
和Medical Image Computing and Computer Assisted Intervention (MICCAI)。
目錄大綱
目錄
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典型捲積神經網絡
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多目標跟踪
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