内容简介
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。
目录
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
前言/序言
随着汽车工业的快速发展, 智能驾驶技术已经成为汽车产业的重要发展方向, 并被视为推动交通运输体系革新的关键力量。实现安全、高效、可靠的自动驾驶, 不仅能够显著提升交通运输的效率, 减少交通事故的发生, 还可以推动环保节能等多方面的社会效益提升。然而, 车辆对复杂场景的准确感知与理解成为限制系统性能的关键问题, 这也是当前智能驾驶技术在复杂环境中进一步推广应用的主要挑战。
在感知技术的发展历程中, 智能驾驶系统经历了从单传感器感知、多传感器融合感知, 再到车路协同感知等多个重要阶段。当前, 我国在智能驾驶感知技术的发展中, 正积极推动车路协同感知技术的应用, 这种技术可以视为更广泛的多传感器融合技术, 有效扩展了车辆的感知范围, 提升了感知系统在复杂交通场景中的响应速度和决策能力。
本书针对智能驾驶汽车复杂场景感知技术的相关知识进行介绍, 希望能为当前致力于智能驾驶场景感知技术的人员提供新的想法和思路。本书共分7章, 第1 章对智能驾驶汽车复杂场景感知技术进行了全面的概述, 详细介绍了智能驾驶技术的发展背景与智能车辆的研究现状, 深入分析了复杂场景感知技术的重要性, 并对复杂场景感知技术的关键问题及未来的研究方向进行了讨论; 第2 章对复杂场景感知的深度学习方法进行了详细介绍, 这些理论的快速发展为实现复杂场景感知提供了可能, 也为后续章节具体方法的深入分析与讨论奠定了理论基础; 第3、4 章对场景感知中所涉及的目标检测、目标跟踪、语义分割和实例分割技术进行了详细讨论, 系统地分析了这些技术目前的主流方法以及存在的关键问题; 第5、6 章对车联网多传感器融合系统以及车联网时代必不可少的边缘计算技术进行了概述, 相关方法也是当前推动智能驾驶汽车复杂场景感知的关键, 可为智能驾驶复杂场景感知的发展提供重要的参考价值; 第7 章对当前复杂感知技术在智能驾驶场景中的实际应用进行了详细阐述, 包括机场自动驾驶托运车、矿业自动驾驶货车、港口货运自动驾驶货车、自动驾驶清扫车等典型案例, 其表明了复杂感知技术在动态交通场景中的适应能力与发展潜力。
本书由田迪、李嘉波、王艳、刘永涛撰写, 田迪负责第1 ~6 章的撰写工作,李嘉波负责第7 章的撰写工作, 王艳、刘永涛负责参考文献的整理工作。本书得到了西安石油大学优秀学术著作出版基金、陕西省重点研发计划项目(2024CY2?GJHX?31)、陕西省自然科学基础研究计划项目(2025JC?YBQN?645)、陕西省教育厅科研计划项目(24JR128) 的资助与支持, 在此深表谢意。
本书力求做到文字准确、精练, 插图清晰, 帮助读者掌握智能驾驶汽车复杂场景感知技术的发展现状与研究方法, 但由于作者水平有限, 书中难免出现不妥之处, 恳请读者批评指正, 共同推动我国智能驾驶技术的发展。
作 者