新書推薦：
《
文化南方：中古时期中国文学核心传统
》
售價：HK$
70.6
《
台湾四百年：精装珍藏版
》
售價：HK$
59.7
《
古玺印与古玺印鉴定
》
售價：HK$
141.6
《
中国官箴
》
售價：HK$
120.0
《
纽约四百年：为冒险而生的移民之城
》
售價：HK$
115.6
《
故宫还可以这么看
》
售價：HK$
198.2
《
高句丽渤海研究论集
》
售價：HK$
151.0
《
德国民法总论：法律行为理论（第二版）
》
售價：HK$
219.5
|
| 內容簡介： |
|
为进一步促进BEV感知算法研究，本书全面深入地探讨了自动驾驶汽车BEV感知算法的理论基础、关键技术、应用实践以及未来发展趋势。其中，第1章主要介绍了BEV环境感知算法的定义、发展历程、重要性以及面临的挑战；第2~8章详细介绍了不同类型的BEV感知算法，涵盖了基于点云信息处理的激光雷达BEV感知算法、基于多尺度空间结构理解的多相机BEV感知算法、基于时空特征融合的多相机BEV感知算法、基于位置与语义信息加权的极坐标多相机BEV感知算法、基于极坐标的多传感器融合BEV感知算法、基于相机-激光雷达融合的BEV感知算法以及基于注意力机制的相机和激光雷达融合BEV感知算法；第9章提炼了BEV感知算法的关键研究成果，并对未来的发展趋势进行了展望。本书不仅涵盖了BEV感知算法的基础理论和关键技术，还通过大量实验数据和案例分析展示了算法的实际应用效果，具有很高的学术价值和实践指导意义。本书可作为自动驾驶领域的研究人员、工程师以及相关专业高校师生的参考书籍。
|
| 目錄：
|
第1章 绪论 001
1.1 汽车的智能化 001
1.1.1 智能汽车阶段 001
1.1.2 智能网联汽车阶段 002
1.1.3 自动驾驶汽车阶段 003
1.2 BEV感知算法简介 004
1.2.1 什么是BEV？ 004
1.2.2 BEV感知算法的发展历程 005
1.2.3 BEV感知算法的重要性 005
1.2.4 应用与挑战 005
1.3 自动驾驶汽车BEV感知算法分类及国内外研究现状 006
1.3.1 基于多相机的BEV感知算法及国内外研究现状 006
1.3.2 基于激光雷达的BEV感知算法及国内外研究现状 010
1.3.3 基于多传感器融合的BEV感知算法及国内外研究现状 012
1.4 本书内容概要 015
第2章 基于点云信息处理的激光雷达BEV感知算法 016
2.1 激光雷达点云基础 016
2.1.1 激光雷达原理 017
2.1.2 点云的特性 019
2.2 基于激光雷达信息处理的3D目标检测算法 022
2.2.1 BEV视角生成 022
2.2.2 网络的推理框架 024
2.2.3 点云数据后处理 026
2.2.4 实验结果与分析 027
2.2.5 结论 031
2.3 基于激光雷达的端到端BEV目标检测算法 031
2.3.1 BEV视角生成 032
2.3.2 网络的推理框架 032
2.3.3 多任务训练 035
2.3.4 实验结果与分析 036
2.3.5 结论 039
本章小结 039
第3章 基于多尺度空间结构理解的多相机BEV感知算法 041
3.1 超大目标与小目标检测 041
3.2 网络模型 043
3.3 空洞-加权双向特征金字塔模块 044
3.3.1 并行空洞卷积特征提取 044
3.3.2 双向加权特征金字塔特征融合 045
3.4 多尺度目标相对深度学习 046
3.4.1 尺度检测与自适应参考点选取 046
3.4.2 相对深度计算 048
3.5 检测头和损失函数 048
3.6 实验及其可视化 049
3.6.1 数据集和实验设置 049
3.6.2 整体检测精度提升 050
3.6.3 类别平均精度比较 051
3.6.4 消融实验 053
3.6.5 检测结果可视化 055
本章小结 057
第4章 基于时空特征融合的多相机BEV感知算法 059
4.1 时空特征融合的重要性 059
4.2 网络模型 061
4.2.1 总体框架 061
4.2.2 实例信息传播 062
4.2.3 图像编码器 064
4.2.4 时空特征融合注意力模块 065
4.2.5 高效时空可变形聚合模块 067
4.2.6 BEV自注意力 068
4.3 实验与分析 069
4.3.1 数据集 069
4.3.2 评估指标 070
4.3.3 实验细节 070
4.3.4 对比实验 070
4.3.5 定性分析 073
4.3.6 消融实验 076
本章小结 079
第5章 基于位置与语义信息加权的极坐标多相机BEV感知算法 081
5.1 使用极坐标进行感知的必要性 082
5.2 网络模型 083
5.2.1 总体框架 083
5.2.2 跨平面特征编码与对齐 086
5.2.3 多层级BEV特征编码与解码 088
5.3 算法测试与结果分析 090
5.3.1 数据集与环境配置 090
5.3.2 在nuScenes数据集上的测试结果分析 091
5.3.3 实验定性分析 092
5.4 消融实验 093
5.4.1 极坐标系与笛卡儿坐标系对比 093
5.4.2 采用信息加权方法与融入时间信息的有效性 095
5.4.3 选择最优参数的正交实验 096
本章小结 098
第6章 基于极坐标的多传感器融合BEV感知算法 100
6.1 极坐标系下的多模态融合技术问题概述 101
6.2 基于极坐标的多模态融合BEV目标检测算法 102
6.2.1 总体架构 103
6.2.2 极坐标候选区域生成模块 104
6.2.3 极坐标区域内查询生成模块 106
6.2.4 极坐标区域内信息融合模块 109
6.2.5 目标检测与损失函数 110
6.3 算法测试与结果分析 111
6.3.1 数据集与环境配置 111
6.3.2 在nuScenes数据集上的测试与结果分析 112
6.3.3 消融实验 114
6.3.4 实验定性分析 118
本章小结 120
第7章 基于相机-激光雷达融合的BEV感知算法 122
7.1 BEV视角下多模态融合的3D目标检测方法 123
7.1.1 激光雷达初始特征提取和BEV特征的构建 124
7.1.2 相机的初始特征提取和BEV特征的构建 124
7.1.3 激光雷达-相机BEV特征融合的多模态交叉注意力机制的构建 125
7.1.4 BEV自注意力机制 126
7.1.5 预测头 127
7.1.6 损失函数 127
7.2 实验与分析 129
7.2.1 数据集 129
7.2.2 评估指标 129
7.2.3 实验细节 129
7.2.4 对比实验 130
7.3 消融实验分析 132
7.3.1 定量分析 133
7.3.2 定性分析 133
本章小结 137
第8章 基于注意力机制的相机和激光雷达融合BEV感知算法 138
8.1 网络模型 138
8.1.1 总体框架 138
8.1.2 图像特征提取和BEV特征的构建 139
8.1.3 激光雷达特征到BEV特征的转化 141
8.1.4 BEV特征融合模块 141
8.1.5 3D目标检测头 143
8.2 损失函数 143
8.3 实验设置及评估 143
8.3.1 数据集 144
8.3.2 评价指标 144
8.3.3 实验细节 144
8.3.4 检测结果及对比 145
8.3.5 消融实验 146
本章小结 150
第9章 总结与展望 151
9.1 本书总结 151
9.2 未来展望 152
参考文献 154
|
| 內容試閱：
|
随着科技的不断进步，自动驾驶汽车正逐渐从科幻概念走向现实应用，成为汽车工业和交通领域的一场深刻变革。自动驾驶汽车的发展不仅极大地提高了交通安全性和效率，还为人们带来了更加便捷、舒适的出行体验。在这一发展进程中，环境感知技术作为自动驾驶汽车的核心组成部分，扮演着至关重要的角色。它使车辆能够实时、准确地感知周围环境，从而做出合理的决策和精确的控制。而BEV（鸟瞰图）感知算法作为环境感知的重要技术手段，提供了一种自上而下的视角，被越来越多地用于表征三维环境感知信息，极大地促进了自动驾驶感知技术的发展。
BEV感知算法，即鸟瞰图视角下的环境感知算法，正是在这样的背景下应运而生并迅速崛起的关键技术之一。BEV感知算法通过将车辆周围的三维场景信息映射到二维的鸟瞰图上，为自动驾驶系统提供一种全新的、宏观的环境认知方式。与传统的感知算法相比，BEV感知算法能够更有效地处理遮挡问题，更直观地理解场景的空间布局，从而显著提高了目标检测、跟踪和路径规划等任务中的性能。在城市街道的交叉路口、高速公路的多车道环境等复杂的交通场景中，BEV感知算法的优势尤为明显，它能够帮助自动驾驶汽车更好地应对各种挑战，确保行驶的安全性和可靠性。
本书的撰写，旨在系统地梳理和总结BEV感知算法的理论基础、关键技术、应用实践以及未来的发展趋势。希望通过本书，为自动驾驶领域的研究人员、工程师和相关专业高校师生以及对这一领域感兴趣的读者，提供一本全面、深入、实用的参考书籍，帮助大家更好地理解和掌握BEV感知算法的核心内容，推动自动驾驶技术的进一步发展。
本书共9章，内容结构清晰，层次分明。第1章为绪论，首先介绍了汽车智能化的背景，包括智能汽车、智能网联汽车以及自动驾驶汽车的概念和应用，然后详细阐述了BEV环境感知算法的定义、发展历程、重要性以及面临的挑战，并对自动驾驶汽车BEV感知算法的分类和国内外研究现状进行了综述，为全书奠定了基础。第2～8章分别介绍了不同类型的BEV感知算法：第2章聚焦基于点云信息处理的激光雷达BEV感知算法，从激光雷达点云基础讲起，深入剖析了激光雷达BEV感知算法的基本概念、分类、特点及其重要性，并重点介绍了BirdNet和BirdNet 两种算法的原理、架构、实验与分析；第3章和第4章聚焦基于图像处理的多相机BEV感知算法，分别探讨了基于多尺度空间结构理解的多相机BEV感知算法以及基于时空特征融合的多相机BEV感知算法，详细阐述了相关算法的关键技术、损失函数、实验设置及结果分析等内容；第5章和第6章聚焦基于极坐标系的BEV感知算法，分别研究了基于位置与语义信息加权的极坐标多相机BEV感知算法以及基于极坐标的多传感器融合BEV感知算法，对算法的网络架构、特征编码与解码、测试结果分析等进行了全面介绍；第7章和第8章聚焦基于多传感器融合的BEV感知算法，分别介绍了基于相机-激光雷达融合的BEV感知算法以及基于注意力机制的相机和激光雷达融合BEV感知算法，深入探讨了多模态融合技术、注意力机制在BEV感知中的应用及其带来的性能提升。第9章为总结与展望，对全书内容进行了回顾总结，并对未来自动驾驶汽车BEV感知算法的发展趋势进行了展望，提出了可能的研究方向和挑战。
在自动驾驶汽车的发展浪潮中，BEV感知算法正以其独特的优势和巨大的潜力，引领着环境感知技术的创新和发展。本书的出版，正是为了响应这一时代需求，助力广大读者深入探索BEV感知算法的奥秘，共同见证并参与自动驾驶汽车从梦想照进现实的辉煌历程。让我们一起翻开这本书，开启一段精彩纷呈的自动驾驶技术探索之旅。
本书由时培成撰写而成。参与资料收集、整理及相关数据统计的有：董心龙、戈润帅、杨礼、潘艺鑫、周梦如、刘志强等研究生。在此向他们表示感谢。
这里要特别感谢教授级高级工程师杨爱喜，他为本书提供了宝贵的意见和建议。此外，还要感谢周定华、倪绍勇、海滨、赵夕长等高级工程师，他们为本书提供了相关数据和统计信息。
由于笔者学识有限，书中不足之处在所难免，恳盼读者给予指正。
著者
2025年4月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
