智能駕駛汽車復(fù)雜場景感知技術(shù)

前　言第1 章緒論1.1　智能駕駛環(huán)境感知技術(shù)背景／ ００１１.１.１　智能駕駛的發(fā)展背景／ ００１１.１.２　智能車輛的研究現(xiàn)狀／ ００５１.１.３　復(fù)雜場景感知技術(shù)的重要性／ ００９1.2　復(fù)雜場景感知技術(shù)發(fā)展現(xiàn)狀／ ０１０１.２.１　早期理論探索與傳統(tǒng)感知技術(shù)／ ０１０１.２.２　基于深度學(xué)習(xí)的復(fù)雜場景感知技術(shù)／ ０１２1.3　復(fù)雜場景的感知需求及關(guān)鍵挑戰(zhàn)／ ０１５１.３.１　復(fù)雜場景的具體感知需求／ ０１５１.３.２　復(fù)雜場景感知技術(shù)的關(guān)鍵問題／ ０１７１.３.３　未來研究方向展望／ ０１９1.4　本章小結(jié)／ ０２０第2 章復(fù)雜場景感知的深度學(xué)習(xí)方法　2.1　圖像預(yù)處理方法／ ０２１２.１.１　圖像平滑／ ０２１２.１.２　尺度歸一化／ ０２３２.１.３?。疲铮悖酰?切片處理／ ０２４２.１.４　數(shù)據(jù)增強(qiáng)／ ０２５2.2　卷積神經(jīng)網(wǎng)絡(luò)／ ０２７２.２.１　卷積神經(jīng)網(wǎng)絡(luò)關(guān)鍵模塊／ ０２７２.２.２　模型優(yōu)化方法／ ０３２２.２.３　經(jīng)典特征提取網(wǎng)絡(luò)／ ０３４2.3　循環(huán)神經(jīng)網(wǎng)絡(luò)／ ０３９２.３.１　循環(huán)神經(jīng)網(wǎng)絡(luò)概述／ ０３９２.３.２　循環(huán)神經(jīng)網(wǎng)絡(luò)的衍生模型／ ０４１２.３.３　循環(huán)神經(jīng)網(wǎng)絡(luò)的不足及其發(fā)展趨勢／ ０４５2.4 　Transformer ／ ０４７２.４.１?。裕颍幔睿螅妫铮颍恚澹?概述／ ０４８２.４.２?。裕颍幔睿螅妫铮颍恚澹?的實現(xiàn)／ ０５０２.４.３?。裕颍幔睿螅妫铮颍恚澹?的不足及其發(fā)展趨勢／ ０５２2.5　生成對抗網(wǎng)絡(luò)／ ０５４２.５.１　生成對抗網(wǎng)絡(luò)概述／ ０５４２.５.２　生成對抗網(wǎng)絡(luò)的衍生模型／ ０５６２.５.３　生成對抗網(wǎng)絡(luò)的不足及其發(fā)展趨勢／ ０６０2.6　本章小結(jié)／ ０６２第3 章面向智能駕駛復(fù)雜場景感知的目標(biāo)檢測技術(shù)3.1　目標(biāo)檢測關(guān)鍵問題的理論方法分析／ ０６３３.１.１　邊界框回歸損失相關(guān)理論分析／ ０６４３.１.２　注意力機(jī)制相關(guān)理論分析／ ０６８３.１.３　模型訓(xùn)練策略相關(guān)理論分析／ ０７３３.１.４　多尺度特征學(xué)習(xí)相關(guān)理論分析／ ０７４3.2　兩階段目標(biāo)檢測網(wǎng)絡(luò)／ ０７７３.２.１　ＲＣＮＮ 系列／ ０７７３.２.２　ＲＦＣＮ ／ ０７９３.２.３?。茫幔螅悖幔洌?ＲＣＮＮ ／ ０８０3.3　單階段目標(biāo)檢測網(wǎng)絡(luò)／ ０８１３.３.１　ＹＯＬＯ 系列／ ０８１３.３.２?。樱樱?系列／ ０８６３.３.３?。遥澹簦椋睿幔危澹?／ ０８８3.4　無錨框目標(biāo)檢測網(wǎng)絡(luò)／ ０８９３.４.１　ＣｏｒｎｅｒＮｅｔ ／ ０８９３.４.２?。茫澹睿簦澹颍危澹?／ ０９１３.４.３?。疲茫希?／ ０９２3.5　目標(biāo)檢測算法提升策略／ ０９３３.５.１　多尺度檢測／ ０９３３.５.２　樣本均衡化／ ０９４３.５.３　上下文信息／ ０９６３.５.４　非極大值抑制／ ０９７３.５.５　邊界框回歸／ ０９８3.6　本章小結(jié)／ ０９９第4 章面向智能駕駛復(fù)雜場景的多任務(wù)感知關(guān)鍵技術(shù)4.1　目標(biāo)跟蹤／ １０１４.１.１　傳統(tǒng)目標(biāo)跟蹤方法／ １０２４.１.２　基于深度學(xué)習(xí)的目標(biāo)跟蹤方法／ １０４４.１.３　目標(biāo)跟蹤技術(shù)存在的難點／ １０７4.2　語義分割／ １０８４.２.１　傳統(tǒng)語義分割方法／ １０８４.２.２　基于深度學(xué)習(xí)的語義分割方法／ １１０４.２.３　語義分割常用數(shù)據(jù)集／ １１２４.２.４　語義分割技術(shù)存在的難點／ １１４4.3　實例分割／ １１５４.３.１　基于檢測的實例分割方法／ １１７４.３.２　基于像素聚類的實例分割方法／ １１９４.３.３　單階段實例分割方法／ １２１４.３.４　實例分割技術(shù)存在的難點／ １２３4.4　本章小結(jié)／ １２５第5 章車聯(lián)網(wǎng)場景下多傳感器融合感知技術(shù)5.1　車聯(lián)網(wǎng)多傳感器融合系統(tǒng)概述／ １２７5.2　車聯(lián)網(wǎng)多傳感器信息融合的關(guān)鍵感知設(shè)備／ １２９５.２.１　攝像頭／ １３０５.２.２　激光雷達(dá)／ １３２５.２.３　毫米波雷達(dá)／ １３３５.２.４　超聲波傳感器／ １３４５.２.５　ＧＰＳ 和ＩＭＵ ／ １３５５.２.６?。郑玻?／ １３７5.3　車聯(lián)網(wǎng)多傳感器融合方法／ １３８５.３.１　融合策略／ １３８５.３.２　多傳感器融合中的深度學(xué)習(xí)架構(gòu)／ １４１５.３.３　車聯(lián)網(wǎng)場景中常用的多傳感器融合方法／ １４２5.4　車聯(lián)網(wǎng)多傳感器融合技術(shù)中的關(guān)鍵問題／ １４９５.４.１　多傳感器數(shù)據(jù)同步／ １４９５.４.２　信息融合算法／ １５１５.４.３　數(shù)據(jù)隱私與安全／ １５２５.４.４　融合中的傳感器類型／ １５４５.４.５　監(jiān)管和立法／ １５４5.5　車聯(lián)網(wǎng)多傳感器融合技術(shù)中的發(fā)展趨勢／ １５５5.6　本章小結(jié)／ １５６第6 章復(fù)雜場景感知中的邊緣計算技術(shù)6.1　邊緣計算概述／ １５７6.2　邊緣計算架構(gòu)設(shè)計／ １５８６.２.１　邊緣計算模型／ １５８６.２.２　邊緣云與核心云／ １５９６.２.３　邊緣硬件設(shè)備／ １６１６.２.４　邊緣計算的工程應(yīng)用／ １６３6.3　5 G 邊緣計算技術(shù)／ １６４６.３.１　５Ｇ 與邊緣計算的融合／ １６４６.３.２?。担?邊緣計算的關(guān)鍵技術(shù)／ １６７６.３.３?。担?邊緣計算的挑戰(zhàn)與解決方案／ １６８6.4　邊緣計算安全／ １７０６.４.１　邊緣計算安全概述／ １７０６.４.２　邊緣計算安全架構(gòu)設(shè)計原則／ １７２６.４.３　邊緣計算安全的關(guān)鍵技術(shù)／ １７３6.5　邊緣計算開源平臺／ １７４６.５.１　開源平臺概述／ １７４６.５.２?。牛洌纾澹?Ｆｏｕｎｄｒｙ ／ １７６６.５.３　Ａｋｒａｉｎｏ Ｅｄｇｅ Ｓｔａｃｋ ／ １７８６.５.４?。耍酰猓澹牛洌纾?／ １７９6.6　本章小結(jié)／ １８０第7 章復(fù)雜感知技術(shù)在智能駕駛場景中的實際應(yīng)用　7.1　障礙物檢測及跟蹤／ １８１７.１.１　障礙物檢測及跟蹤任務(wù)討論／ １８１７.１.２　具體檢測目標(biāo)的應(yīng)用／ １８３７.１.３　車聯(lián)網(wǎng)對障礙物檢測及跟蹤的影響／ １８８7.2　碰撞預(yù)警與制動／ １８９７.２.１　碰撞預(yù)警與制動任務(wù)討論／ １８９７.２.２　車聯(lián)網(wǎng)對碰撞預(yù)警與制動的影響／ １９１7.3　自動泊車／ １９２７.３.１　自動泊車任務(wù)討論／ １９２７.３.２　車聯(lián)網(wǎng)對自動泊車的影響／ １９３7.4　高精度地圖建模／ １９５７.４.１　高精度地圖建模任務(wù)討論／ １９５７.４.２　車聯(lián)網(wǎng)對高精度地圖建模的影響／ １９６7.5　智能駕駛在典型特殊場景中的落地應(yīng)用／ １９７７.５.１　機(jī)場自動駕駛托運車／ １９７７.５.２　礦業(yè)自動駕駛貨車／ １９９７.５.３　港口貨運自動駕駛貨車／ ２００７.５.４　自動駕駛清掃車／ ２０２7.6　本章小結(jié)／ ２０４參考文獻(xiàn)／ ２０５