前 言
第1 章
绪论
1.1 智能驾驶环境感知技术背景／ ００１
１.１.１ 智能驾驶的发展背景／ ００１
１.１.２ 智能车辆的研究现状／ ００５
１.１.３ 复杂场景感知技术的重要性／ ００９
1.2 复杂场景感知技术发展现状／ ０１０
１.２.１ 早期理论探索与传统感知技术／ ０１０
１.２.２ 基于深度学习的复杂场景感知技术／ ０１２
1.3 复杂场景的感知需求及关键挑战／ ０１５
１.３.１ 复杂场景的具体感知需求／ ０１５
１.３.２ 复杂场景感知技术的关键问题／ ０１７
１.３.３ 未来研究方向展望／ ０１９
1.4 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／ ０２１
２.１.１ 图像平滑／ ０２１
２.１.２ 尺度归一化／ ０２３
２.１.３ Ｆｏｃｕｓ 切片处理／ ０２４
２.１.４ 数据增强／ ０２５
2.2 卷积神经网络／ ０２７
２.２.１ 卷积神经网络关键模块／ ０２７
２.２.２ 模型优化方法／ ０３２
２.２.３ 经典特征提取网络／ ０３４
2.3 循环神经网络／ ０３９
２.３.１ 循环神经网络概述／ ０３９
２.３.２ 循环神经网络的衍生模型／ ０４１
２.３.３ 循环神经网络的不足及其发展趋势／ ０４５
2.4 Transformer ／ ０４７
２.４.１ Ｔｒａｎｓｆｏｒｍｅｒ 概述／ ０４８
２.４.２ Ｔｒａｎｓｆｏｒｍｅｒ 的实现／ ０５０
２.４.３ Ｔｒａｎｓｆｏｒｍｅｒ 的不足及其发展趋势／ ０５２
2.5 生成对抗网络／ ０５４
２.５.１ 生成对抗网络概述／ ０５４
２.５.２ 生成对抗网络的衍生模型／ ０５６
２.５.３ 生成对抗网络的不足及其发展趋势／ ０６０
2.6 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／ ０６３
３.１.１ 边界框回归损失相关理论分析／ ０６４
３.１.２ 注意力机制相关理论分析／ ０６８
３.１.３ 模型训练策略相关理论分析／ ０７３
３.１.４ 多尺度特征学习相关理论分析／ ０７４
3.2 两阶段目标检测网络／ ０７７
３.２.１ ＲＣＮＮ 系列／ ０７７
３.２.２ ＲＦＣＮ ／ ０７９
３.２.３ Ｃａｓｃａｄｅ ＲＣＮＮ ／ ０８０
3.3 单阶段目标检测网络／ ０８１
３.３.１ ＹＯＬＯ 系列／ ０８１
３.３.２ ＳＳＤ 系列／ ０８６
３.３.３ ＲｅｔｉｎａＮｅｔ ／ ０８８
3.4 无锚框目标检测网络／ ０８９
３.４.１ ＣｏｒｎｅｒＮｅｔ ／ ０８９
３.４.２ ＣｅｎｔｅｒＮｅｔ ／ ０９１
３.４.３ ＦＣＯＳ ／ ０９２
3.5 目标检测算法提升策略／ ０９３
３.５.１ 多尺度检测／ ０９３
３.５.２ 样本均衡化／ ０９４
３.５.３ 上下文信息／ ０９６
３.５.４ 非极大值抑制／ ０９７
３.５.５ 边界框回归／ ０９８
3.6 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／ １０１
４.１.１ 传统目标跟踪方法／ １０２
４.１.２ 基于深度学习的目标跟踪方法／ １０４
４.１.３ 目标跟踪技术存在的难点／ １０７
4.2 语义分割／ １０８
４.２.１ 传统语义分割方法／ １０８
４.２.２ 基于深度学习的语义分割方法／ １１０
４.２.３ 语义分割常用数据集／ １１２
４.２.４ 语义分割技术存在的难点／ １１４
4.3 实例分割／ １１５
４.３.１ 基于检测的实例分割方法／ １１７
４.３.２ 基于像素聚类的实例分割方法／ １１９
４.３.３ 单阶段实例分割方法／ １２１
４.３.４ 实例分割技术存在的难点／ １２３
4.4 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／ １２７
5.2 车联网多传感器信息融合的关键感知设备／ １２９
５.２.１ 摄像头／ １３０
５.２.２ 激光雷达／ １３２
５.２.３ 毫米波雷达／ １３３
５.２.４ 超声波传感器／ １３４
５.２.５ ＧＰＳ 和ＩＭＵ ／ １３５
５.２.６ Ｖ２Ｘ ／ １３７
5.3 车联网多传感器融合方法／ １３８
５.３.１ 融合策略／ １３８
５.３.２ 多传感器融合中的深度学习架构／ １４１
５.３.３ 车联网场景中常用的多传感器融合方法／ １４２
5.4 车联网多传感器融合技术中的关键问题／ １４９
５.４.１ 多传感器数据同步／ １４９
５.４.２ 信息融合算法／ １５１
５.４.３ 数据隐私与安全／ １５２
５.４.４ 融合中的传感器类型／ １５４
５.４.５ 监管和立法／ １５４
5.5 车联网多传感器融合技术中的发展趋势／ １５５
5.6 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／ １５７
6.2 边缘计算架构设计／ １５８
６.２.１ 边缘计算模型／ １５８
６.２.２ 边缘云与核心云／ １５９
６.２.３ 边缘硬件设备／ １６１
６.２.４ 边缘计算的工程应用／ １６３
6.3 5 G 边缘计算技术／ １６４
６.３.１ ５Ｇ 与边缘计算的融合／ １６４
６.３.２ ５Ｇ 边缘计算的关键技术／ １６７
６.３.３ ５Ｇ 边缘计算的挑战与解决方案／ １６８
6.4 边缘计算安全／ １７０
６.４.１ 边缘计算安全概述／ １７０
６.４.２ 边缘计算安全架构设计原则／ １７２
６.４.３ 边缘计算安全的关键技术／ １７３
6.5 边缘计算开源平台／ １７４
６.５.１ 开源平台概述／ １７４
６.５.２ ＥｄｇｅＸ Ｆｏｕｎｄｒｙ ／ １７６
６.５.３ Ａｋｒａｉｎｏ Ｅｄｇｅ Ｓｔａｃｋ ／ １７８
６.５.４ ＫｕｂｅＥｄｇｅ ／ １７９
6.6 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／ １８１
７.１.１ 障碍物检测及跟踪任务讨论／ １８１
７.１.２ 具体检测目标的应用／ １８３
７.１.３ 车联网对障碍物检测及跟踪的影响／ １８８
7.2 碰撞预警与制动／ １８９
７.２.１ 碰撞预警与制动任务讨论／ １８９
７.２.２ 车联网对碰撞预警与制动的影响／ １９１
7.3 自动泊车／ １９２
７.３.１ 自动泊车任务讨论／ １９２
７.３.２ 车联网对自动泊车的影响／ １９３
7.4 高精度地图建模／ １９５
７.４.１ 高精度地图建模任务讨论／ １９５
７.４.２ 车联网对高精度地图建模的影响／ １９６
7.5 智能驾驶在典型特殊场景中的落地应用／ １９７
７.５.１ 机场自动驾驶托运车／ １９７
７.５.２ 矿业自动驾驶货车／ １９９
７.５.３ 港口货运自动驾驶货车／ ２００
７.５.４ 自动驾驶清扫车／ ２０２
7.6 本章小结／ ２０４
参考文献／ ２０５
展开
