- 智能驾驶汽车复杂场景感知技术/自动驾驶汽车关键技术丛书
- - 作者：田迪//李嘉波//王艳//刘永涛|责编:孙鹏//高孟瑜
  - 出版社：机械工业
  - ISBN：9787111783978
  - 出版日期：2025/07/01
  - 页数：240
- 售价：48

内容大纲
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。
作者介绍
目录
前言
第1章  绪论
  1.1  智能驾驶环境感知技术背景
    1.1.1  智能驾驶的发展背景
    1.1.2  智能车辆的研究现状
    1.1.3  复杂场景感知技术的重要性
  1.2  复杂场景感知技术发展现状
    1.2.1  早期理论探索与传统感知技术
    1.2.2  基于深度学习的复杂场景感知技术
  1.3  复杂场景的感知需求及关键挑战
    1.3.1  复杂场景的具体感知需求
    1.3.2  复杂场景感知技术的关键问题
    1.3.3  未来研究方向展望
  1.4  本章小结
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
    2.1.1  图像平滑
    2.1.2  尺度归一化
    2.1.3  Focus切片处理
    2.1.4  数据增强
  2.2  卷积神经网络
    2.2.1  卷积神经网络关键模块
    2.2.2  模型优化方法
    2.2.3  经典特征提取网络
  2.3  循环神经网络
    2.3.1  循环神经网络概述
    2.3.2  循环神经网络的衍生模型
    2.3.3  循环神经网络的不足及其发展趋势
  2.4  Transformer
    2.4.1  Transformer概述
    2.4.2  Transformer的实现
    2.4.3  Transformer的不足及其发展趋势
  2.5  生成对抗网络
    2.5.1  生成对抗网络概述
    2.5.2  生成对抗网络的衍生模型
    2.5.3  生成对抗网络的不足及其发展趋势
  2.6  本章小结
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
    3.1.1  边界框回归损失相关理论分析
    3.1.2  注意力机制相关理论分析
    3.1.3  模型训练策略相关理论分析
    3.1.4  多尺度特征学习相关理论分析
  3.2  两阶段目标检测网络
    3.2.1  RCNN系列
    3.2.2  RFCN
    3.2.3  Cascade RCNN
  3.3  单阶段目标检测网络
    3.3.1  YOLO系列
    3.3.2  SSD系列

    3.3.3  RetinaNet
  3.4  无锚框目标检测网络
    3.4.1  CornerNet
    3.4.2  CenterNet
    3.4.3  FCOS
  3.5  目标检测算法提升策略
    3.5.1  多尺度检测
    3.5.2  样本均衡化
    3.5.3  上下文信息
    3.5.4  非极大值抑制
    3.5.5  边界框回归
  3.6  本章小结
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
    4.1.1  传统目标跟踪方法
    4.1.2  基于深度学习的目标跟踪方法
    4.1.3  目标跟踪技术存在的难点
  4.2  语义分割
    4.2.1  传统语义分割方法
    4.2.2  基于深度学习的语义分割方法
    4.2.3  语义分割常用数据集
    4.2.4  语义分割技术存在的难点
  4.3  实例分割
    4.3.1  基于检测的实例分割方法
    4.3.2  基于像素聚类的实例分割方法
    4.3.3  单阶段实例分割方法
    4.3.4  实例分割技术存在的难点
  4.4  本章小结
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
  5.2  车联网多传感器信息融合的关键感知设备
    5.2.1  摄像头
    5.2.2  激光雷达
    5.2.3  毫米波雷达
    5.2.4  超声波传感器
    5.2.5  GPS和IMU
    5.2.6  V2X
  5.3  车联网多传感器融合方法
    5.3.1  融合策略
    5.3.2  多传感器融合中的深度学习架构
    5.3.3  车联网场景中常用的多传感器融合方法
  5.4  车联网多传感器融合技术中的关键问题
    5.4.1  多传感器数据同步
    5.4.2  信息融合算法
    5.4.3  数据隐私与安全
    5.4.4  融合中的传感器类型
    5.4.5  监管和立法
  5.5  车联网多传感器融合技术中的发展趋势
  5.6  本章小结
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
  6.2  边缘计算架构设计
    6.2.1  边缘计算模型
    6.2.2  边缘云与核心云
    6.2.3  边缘硬件设备
    6.2.4  边缘计算的工程应用
  6.3  5G边缘计算技术
    6.3.1  5G与边缘计算的融合
    6.3.2  5G边缘计算的关键技术
    6.3.3  5G边缘计算的挑战与解决方案
  6.4  边缘计算安全
    6.4.1  边缘计算安全概述
    6.4.2  边缘计算安全架构设计原则
    6.4.3  边缘计算安全的关键技术
  6.5  边缘计算开源平台
    6.5.1  开源平台概述
    6.5.2  EdgeX Foundry
    6.5.3  Akraino Edge Stack
    6.5.4  KubeEdge
  6.6  本章小结
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
    7.1.1  障碍物检测及跟踪任务讨论
    7.1.2  具体检测目标的应用
    7.1.3  车联网对障碍物检测及跟踪的影响
  7.2  碰撞预警与制动
    7.2.1  碰撞预警与制动任务讨论
    7.2.2  车联网对碰撞预警与制动的影响
  7.3  自动泊车
    7.3.1  自动泊车任务讨论
    7.3.2  车联网对自动泊车的影响
  7.4  高精度地图建模
    7.4.1  高精度地图建模任务讨论
    7.4.2  车联网对高精度地图建模的影响
  7.5  智能驾驶在典型特殊场景中的落地应用
    7.5.1  机场自动驾驶托运车
    7.5.2  矿业自动驾驶货车
    7.5.3  港口货运自动驾驶货车
    7.5.4  自动驾驶清扫车
  7.6  本章小结
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目