智能驾驶汽车复杂场景感知技术田迪李嘉波王艳刘永涛_田迪李嘉波王艳刘永涛_9787111783978

环境感知是智能驾驶技术的重要组成部分，也是实现智能决策与协同控制的信息基础。本书以智能驾驶汽车复杂场景感知技术为出发点，首先对智能驾驶环境感知技术背景、发展现状及关键挑战进行概述，随后从复杂场景感知的深度学习方法、面向智能驾驶复杂场景感知的目标检测技术、面向智能驾驶复杂场景的多任务感知关键技术、车联网场景下多传感器融合感知技术、复杂场景感知中的边缘计算技术、复杂感知技术在智能驾驶场景中的实际应用等方面对智能驾驶汽车复杂场景感知进行全面的介绍和讨论，具有较高的学术价值和市场需求。本书可供智能驾驶相关行业的汽车制造商、技术公司和学术研究者等阅读使用，也适用于大专院校中机械学院、汽车学院、计算机学院、人工智能学院的师生阅读参考。

随着汽车工业的快速发展，智能驾驶技术已经成为汽车产业的重要发展方向，并被视为推动交通运输体系革新的关键力量。实现安全、高效、可靠的自动驾驶，不仅能够显著提升交通运输的效率，减少交通事故的发生，还可以推动环保节能等多方面的社会效益提升。然而，车辆对复杂场景的准确感知与理解成为限制系统性能的关键问题，这也是当前智能驾驶技术在复杂环境中进一步推广应用的主要挑战。在感知技术的发展历程中，智能驾驶系统经历了从单传感器感知、多传感器融合感知，再到车路协同感知等多个重要阶段。当前，我国在智能驾驶感知技术的发展中，正积极推动车路协同感知技术的应用，这种技术可以视为更广泛的多传感器融合技术，有效扩展了车辆的感知范围，提升了感知系统在复杂交通场景中的响应速度和决策能力。本书针对智能驾驶汽车复杂场景感知技术的相关知识进行介绍，希望能为当前致力于智能驾驶场景感知技术的人员提供新的想法和思路。本书共分７章，第１章对智能驾驶汽车复杂场景感知技术进行了全面的概述，详细介绍了智能驾驶技术的发展背景与智能车辆的研究现状，深入分析了复杂场景感知技术的重要性，并对复杂场景感知技术的关键问题及未来的研究方向进行了讨论；第２章对复杂场景感知的深度学习方法进行了详细介绍，这些理论的快速发展为实现复杂场景感知提供了可能，也为后续章节具体方法的深入分析与讨论奠定了理论基础；第３、４章对场景感知中所涉及的目标检测、目标跟踪、语义分割和实例分割技术进行了详细讨论，系统地分析了这些技术目前的主流方法以及存在的关键问题；第５、６章对车联网多传感器融合系统以及车联网时代必不可少的边缘计算技术进行了概述，相关方法也是当前推动智能驾驶汽车复杂场景感知的关键，可为智能驾驶复杂场景感知的发展提供重要的参考价值；第７章对当前复杂感知技术在智能驾驶场景中的实际应用进行了详细阐述，包括机场自动驾驶托运车、矿业自动驾驶货车、港口货运自动驾驶货车、自动驾驶清扫车等典型案例，其表明了复杂感知技术在动态交通场景中的适应能力与发展潜力。本书由田迪、李嘉波、王艳、刘永涛撰写，田迪负责第１～６章的撰写工作，李嘉波负责第７章的撰写工作，王艳、刘永涛负责参考文献的整理工作。本书得到了西安石油大学优秀学术著作出版基金、陕西省重点研发计划项目（２０２４ＣＹ２?ＧＪＨＸ?３１）、陕西省自然科学基础研究计划项目（２０２５ＪＣ?ＹＢＱＮ?６４５）、陕西省教育厅科研计划项目（２４ＪＲ１２８）的资助与支持，在此深表谢意。本书力求做到文字准确、精练，插图清晰，帮助读者掌握智能驾驶汽车复杂场景感知技术的发展现状与研究方法，但由于作者水平有限，书中难免出现不妥之处，恳请读者批评指正，共同推动我国智能驾驶技术的发展。作　者

前　言第1 章绪论1.1　智能驾驶环境感知技术背景／００１１.１.１　智能驾驶的发展背景／００１１.１.２　智能车辆的研究现状／００５１.１.３　复杂场景感知技术的重要性／００９1.2　复杂场景感知技术发展现状／０１０１.２.１　早期理论探索与传统感知技术／０１０１.２.２　基于深度学习的复杂场景感知技术／０１２1.3　复杂场景的感知需求及关键挑战／０１５１.３.１　复杂场景的具体感知需求／０１５１.３.２　复杂场景感知技术的关键问题／０１７１.３.３　未来研究方向展望／０１９1.4　本章小结／０２０第2 章复杂场景感知的深度学习方法　2.1　图像预处理方法／０２１２.１.１　图像平滑／０２１２.１.２　尺度归一化／０２３２.１.３　Ｆｏｃｕｓ切片处理／０２４２.１.４　数据增强／０２５2.2　卷积神经网络／０２７２.２.１　卷积神经网络关键模块／０２７２.２.２　模型优化方法／０３２２.２.３　经典特征提取网络／０３４2.3　循环神经网络／０３９２.３.１　循环神经网络概述／０３９２.３.２　循环神经网络的衍生模型／０４１２.３.３　循环神经网络的不足及其发展趋势／０４５2.4 　Transformer ／０４７２.４.１　Ｔｒａｎｓｆｏｒｍｅｒ概述／０４８２.４.２　Ｔｒａｎｓｆｏｒｍｅｒ的实现／０５０２.４.３　Ｔｒａｎｓｆｏｒｍｅｒ的不足及其发展趋势／０５２2.5　生成对抗网络／０５４２.５.１　生成对抗网络概述／０５４２.５.２　生成对抗网络的衍生模型／０５６２.５.３　生成对抗网络的不足及其发展趋势／０６０2.6　本章小结／０６２第3 章面向智能驾驶复杂场景感知的目标检测技术3.1　目标检测关键问题的理论方法分析／０６３３.１.１　边界框回归损失相关理论分析／０６４３.１.２　注意力机制相关理论分析／０６８３.１.３　模型训练策略相关理论分析／０７３３.１.４　多尺度特征学习相关理论分析／０７４3.2　两阶段目标检测网络／０７７３.２.１　ＲＣＮＮ系列／０７７３.２.２　ＲＦＣＮ／０７９３.２.３　ＣａｓｃａｄｅＲＣＮＮ／０８０3.3　单阶段目标检测网络／０８１３.３.１　ＹＯＬＯ系列／０８１３.３.２　ＳＳＤ系列／０８６３.３.３　ＲｅｔｉｎａＮｅｔ／０８８3.4　无锚框目标检测网络／０８９３.４.１　ＣｏｒｎｅｒＮｅｔ／０８９３.４.２　ＣｅｎｔｅｒＮｅｔ／０９１３.４.３　ＦＣＯＳ／０９２3.5　目标检测算法提升策略／０９３３.５.１　多尺度检测／０９３３.５.２　样本均衡化／０９４３.５.３　上下文信息／０９６３.５.４　非极大值抑制／０９７３.５.５　边界框回归／０９８3.6　本章小结／０９９第4 章面向智能驾驶复杂场景的多任务感知关键技术4.1　目标跟踪／１０１４.１.１　传统目标跟踪方法／１０２４.１.２　基于深度学习的目标跟踪方法／１０４４.１.３　目标跟踪技术存在的难点／１０７4.2　语义分割／１０８４.２.１　传统语义分割方法／１０８４.２.２　基于深度学习的语义分割方法／１１０４.２.３　语义分割常用数据集／１１２４.２.４　语义分割技术存在的难点／１１４4.3　实例分割／１１５４.３.１　基于检测的实例分割方法／１１７４.３.２　基于像素聚类的实例分割方法／１１９４.３.３　单阶段实例分割方法／１２１４.３.４　实例分割技术存在的难点／１２３4.4　本章小结／１２５第5 章车联网场景下多传感器融合感知技术5.1　车联网多传感器融合系统概述／１２７5.2　车联网多传感器信息融合的关键感知设备／１２９５.２.１　摄像头／１３０５.２.２　激光雷达／１３２５.２.３　毫米波雷达／１３３５.２.４　超声波传感器／１３４５.２.５　ＧＰＳ和ＩＭＵ／１３５５.２.６　Ｖ２Ｘ／１３７5.3　车联网多传感器融合方法／１３８５.３.１　融合策略／１３８５.３.２　多传感器融合中的深度学习架构／１４１５.３.３　车联网场景中常用的多传感器融合方法／１４２5.4　车联网多传感器融合技术中的关键问题／１４９５.４.１　多传感器数据同步／１４９５.４.２　信息融合算法／１５１５.４.３　数据隐私与安全／１５２５.４.４　融合中的传感器类型／１５４５.４.５　监管和立法／１５４5.5　车联网多传感器融合技术中的发展趋势／１５５5.6　本章小结／１５６第6 章复杂场景感知中的边缘计算技术6.1　边缘计算概述／１５７6.2　边缘计算架构设计／１５８６.２.１　边缘计算模型／１５８６.２.２　边缘云与核心云／１５９６.２.３　边缘硬件设备／１６１６.２.４　边缘计算的工程应用／１６３6.3　5 G 边缘计算技术／１６４６.３.１　５Ｇ与边缘计算的融合／１６４６.３.２　５Ｇ边缘计算的关键技术／１６７６.３.３　５Ｇ边缘计算的挑战与解决方案／１６８6.4　边缘计算安全／１７０６.４.１　边缘计算安全概述／１７０６.４.２　边缘计算安全架构设计原则／１７２６.４.３　边缘计算安全的关键技术／１７３6.5　边缘计算开源平台／１７４６.５.１　开源平台概述／１７４６.５.２　ＥｄｇｅＸＦｏｕｎｄｒｙ／１７６６.５.３　ＡｋｒａｉｎｏＥｄｇｅＳｔａｃｋ／１７８６.５.４　ＫｕｂｅＥｄｇｅ／１７９6.6　本章小结／１８０第7 章复杂感知技术在智能驾驶场景中的实际应用　7.1　障碍物检测及跟踪／１８１７.１.１　障碍物检测及跟踪任务讨论／１８１７.１.２　具体检测目标的应用／１８３７.１.３　车联网对障碍物检测及跟踪的影响／１８８7.2　碰撞预警与制动／１８９７.２.１　碰撞预警与制动任务讨论／１８９７.２.２　车联网对碰撞预警与制动的影响／１９１7.3　自动泊车／１９２７.３.１　自动泊车任务讨论／１９２７.３.２　车联网对自动泊车的影响／１９３7.4　高精度地图建模／１９５７.４.１　高精度地图建模任务讨论／１９５７.４.２　车联网对高精度地图建模的影响／１９６7.5　智能驾驶在典型特殊场景中的落地应用／１９７７.５.１　机场自动驾驶托运车／１９７７.５.２　矿业自动驾驶货车／１９９７.５.３　港口货运自动驾驶货车／２００７.５.４　自动驾驶清扫车／２０２7.6　本章小结／２０４参考文献／２０５

你还可能感兴趣

我要评论