自動駕駛系統(tǒng)開發(fā)

第1章自動駕駛系統(tǒng)概論
1．1自動駕駛的分級
1．2模塊化開發(fā)結(jié)構(gòu)
1．3端到端開發(fā)結(jié)構(gòu)
1．4自動駕駛場景
1．5數(shù)據(jù)閉環(huán)
1．6小結(jié)
參考文獻(xiàn)
第2章自動駕駛的基礎(chǔ)理論
2．1計算機(jī)視覺
2．1．1計算機(jī)視覺底層
2．1．2計算機(jī)視覺中層
2．1．3計算機(jī)視覺高層
2．2圖像處理
2．2．1圖像信號處理器
2．2．2圖像濾波
2．2．3圖像增強(qiáng)
2．3優(yōu)化理論
2．4機(jī)器學(xué)習(xí)
2．4．1支持向量機(jī)
2．4．2隨機(jī)森林
2．5深度學(xué)習(xí)
2．5．1卷積神經(jīng)網(wǎng)絡(luò)
2．5．2生成對抗網(wǎng)絡(luò)
2．5．3遞歸神經(jīng)網(wǎng)絡(luò)
2．5．4Transformer網(wǎng)絡(luò)
2．6神經(jīng)網(wǎng)絡(luò)模型壓縮和加速
2．6．1參數(shù)修剪和共享
2．6．2低秩分解
2．6．3轉(zhuǎn)移/致密卷積濾波器
2．6．4知識蒸餾
2．6．5MobileNets
2．7小結(jié)
參考文獻(xiàn)
 
 
 
第3章自動駕駛的硬件平臺
3．1傳感器
3．1．1攝像頭
3．1．2激光雷達(dá)
3．1．3毫米波雷達(dá)
3．1．4超聲波雷達(dá)
3．1．5慣導(dǎo)
3．1．6GPS
3．1．7車聯(lián)網(wǎng)
3．2車體控制
3．2．1VCU/ECU/MCU/HCU
3．2．2CAN總線
3．2．3ESP
3．2．4EPS
3．3計算平臺
3．3．1NVIDIA Drive AGX Xavier和Orin
3．3．2Mobileye的EQx
3．3．3TI公司的TDA4VM
3．3．4Qualcomm公司的驍龍Ride
3．4線控底盤
3．5電子電氣架構(gòu)
3．6小結(jié)
參考文獻(xiàn)
第4章自動駕駛的軟件平臺
4．1AUTOSAR
4．2軟件開發(fā)V模型
4．3aSPICE軟件開發(fā)流程
4．4ISO 26262軟件開發(fā)流程
4．5NVIDIA DriveWorks 軟件平臺
4．6車載操作系統(tǒng)
4．6．1ROS
4．6．2QNX
4．6．3BOSCH冰羚
4．6．4DORA
4．7自動駕駛云平臺
4．7．1開源分布式深度學(xué)習(xí)框架
4．7．2自動駕駛云的實(shí)例架構(gòu)
4．8DevOps和MLOps
4．9小結(jié)
參考文獻(xiàn)
第5章自動駕駛的感知模塊
5．1傳感器標(biāo)定
5．1．1攝像頭標(biāo)定
5．1．2激光雷達(dá)標(biāo)定
5．1．3手眼標(biāo)定
5．1．4攝像頭GPS/IMU標(biāo)定
5．1．5激光雷達(dá)攝像頭標(biāo)定
5．1．6攝像頭雷達(dá)標(biāo)定
5．1．7激光雷達(dá)IMU標(biāo)定
5．2單目視覺的障礙物測距
5．3單目視覺的深度圖估計
5．3．1傳統(tǒng)方法
5．3．2深度學(xué)習(xí)方法
5．4單目視覺的3D障礙物檢測
5．5障礙物跟蹤
5．5．1單目標(biāo)
5．5．2多目標(biāo)
5．5．3基于深度學(xué)習(xí)的目標(biāo)跟蹤
5．6傳感器融合
5．6．1數(shù)據(jù)級
5．6．2任務(wù)級
5．7車道線檢測
5．8交通標(biāo)志檢測識別
5．9交通信號燈檢測識別
5．10可駕駛區(qū)域分割
5．11雙目視覺感知
5．11．1立體匹配
5．11．2雙目在線標(biāo)定
5．11．3雙目視覺感知系統(tǒng)
5．11．4深度學(xué)習(xí)的雙目視差估計
5．12人體姿態(tài)估計
5．13駕駛?cè)吮O(jiān)控系統(tǒng)
5．14BEV的視覺感知系統(tǒng)
5．14．1基于單應(yīng)變換的BEV
5．14．2基于深度的BEV
5．14．3基于MLP的BEV
5．14．4基于Transformer的BEV
5．14．5BEV框架的擴(kuò)展
5．14．6BEV存在的問題
5．15小結(jié)
參考文獻(xiàn)
第6章自動駕駛的高清地圖
6．1高清地圖
6．2語義地圖
6．3基于車道線的高清地圖
6．4基于深度學(xué)習(xí)的SLAM方法
6．5小結(jié)
參考文獻(xiàn)
第7章自動駕駛的定位模塊
7．1基于車道線地圖的定位
7.2基于激光雷達(dá)的定位
7．2．1正態(tài)分布變換定位
7．2．2粒子濾波定位
7．2．3直方圖濾波器定位
7．3基于傳感器融合的定位
7．4基于深度學(xué)習(xí)的定位方法
7．5小結(jié)
參考文獻(xiàn)
第8章自動駕駛的規(guī)劃模塊
8．1基本規(guī)劃理論
8．1．1Frenet坐標(biāo)系
8．1．2EM規(guī)劃器
8．2駕駛行為模型和預(yù)測
8．2．1駕駛行為預(yù)測
8．2．2駕駛行為學(xué)習(xí)
8．3行人行為模型和預(yù)測
8．4駕駛行為克隆
8．5小結(jié)
參考文獻(xiàn)
第9章自動駕駛的控制模塊
9．1車輛的運(yùn)動學(xué)和動力學(xué)模型
9．2傳統(tǒng)控制算法
9．2．1經(jīng)典PID控制
9．2．2LQR控制
9．2．3模型預(yù)測控制
9．3路徑和軌跡穩(wěn)定的控制方法
9．3．1路徑穩(wěn)定的控制
9．3．2軌跡穩(wěn)定的控制
9．4基于深度學(xué)習(xí)的車輛控制
9．4．1端到端的自動駕駛控制
9．4．2基于機(jī)器學(xué)習(xí)的運(yùn)動控制
9．5小結(jié)
參考文獻(xiàn)
第10章自動駕駛的仿真模擬模塊
10．1傳感器
10．1．1攝像頭
10．1．2激光雷達(dá)
10．1．3毫米波雷達(dá)
10．1．4其他傳感器
10．2交通模型
10．3車輛和行人模型
10．4數(shù)據(jù)可視化模型
10．4．1XVIZ
10．4．2streetscape．gl
10．5道路網(wǎng)絡(luò)仿真
10．5．1道路與環(huán)境建模
10．5．2可定制的道具和標(biāo)志
10．5．3功能性道路網(wǎng)絡(luò)
10．6場景庫的建設(shè)和自動駕駛測試
10．6．1場景定義
10．6．2仿真測試方法分類
10．6．3場景庫建設(shè)
10．6．4場景描述語言O(shè)penSCENARIO
10．7基于數(shù)字孿生的安全緊要場景泛化
10．8小結(jié)
參考文獻(xiàn)
第11章安全模型
11．1基本概念
11．2NHTSA
11．3ISO 26262
11．4ISO/PAS 21448 SOTIF
11．5Intel Mobileye RSS安全模型
11．6網(wǎng)絡(luò)安全
11．7自動駕駛系統(tǒng)的安全解決方案
11．8自動駕駛的V&V技術(shù)
11．9小結(jié)
參考文獻(xiàn)
第12章自動和自主泊車
12．1自動泊車系統(tǒng)的基本介紹
12．2環(huán)視視覺系統(tǒng)標(biāo)定
12．3魚眼攝像頭的感知系統(tǒng)
12．4泊車位檢測
12．5泊車的運(yùn)動規(guī)劃
12．6泊車中的傳感器融合
12．7自動代客泊車
12．8泊車場的語義地圖和定位
12．9自動泊車的深度學(xué)習(xí)規(guī)劃技術(shù)
12．10小結(jié)
參考文獻(xiàn)
第13章車聯(lián)網(wǎng)
13．1智能網(wǎng)聯(lián)汽車
13．2車載網(wǎng)絡(luò)與社交物聯(lián)網(wǎng)
13．3邊緣計算
13．4車輛路端的協(xié)同技術(shù)
13．5自動駕駛的協(xié)同感知
13．6編組車隊(duì)的協(xié)同規(guī)劃和控制
13．7小結(jié)
參考文獻(xiàn)
第14章神經(jīng)渲染技術(shù)
14．1原始NeRF
14．2NeRF的加速方法
14．2．1AutoInt
14．2．2PlenOctree
14．2．3Plenoxel
14．3動態(tài)場景的渲染
14．4NeRF重打光技術(shù)
14．5NeRF的泛化技術(shù)
14．5．1GRAF
14．5．2GIRAFFE
14．6質(zhì)量改進(jìn)的技術(shù)
14．6．1MipNeRF
14．6．2NeRFinthedark
14．7小結(jié)
參考文獻(xiàn)
第15章擴(kuò)散模型
15．1基于分?jǐn)?shù)生成網(wǎng)絡(luò)
15．2去噪擴(kuò)散概率模型
15．3DDIM
15．4SDE
15.5圖像/視頻合成
15．5．1圖像
15．5．2視頻
15．5．3新視圖合成
15．6圖像圖像翻譯
15．7文本圖像/視頻的合成
15．8擴(kuò)散模型的改進(jìn)
15．9小結(jié)
參考文獻(xiàn)
附錄