自動(dòng)駕駛算法與芯片設(shè)計(jì)
定 價(jià)：108 元
當(dāng)前圖書(shū)已被 67 所學(xué)校薦購(gòu)過(guò)！
查看明細(xì)
- 作者：任建峰
- 出版時(shí)間：2022/6/1
- ISBN：9787121436437
- 出 版 社：電子工業(yè)出版社
- 中圖法分類(lèi)：U463.8
- 頁(yè)碼：252
- 紙張：
- 版次：01
- 開(kāi)本：16開(kāi)
目前自動(dòng)駕駛的一個(gè)發(fā)展趨勢(shì)就是智能化。隨著人工智能的飛速發(fā)展以及各種新型傳感器的涌現(xiàn)，汽車(chē)智能化形成趨勢(shì)，輔助駕駛功能的滲透率越來(lái)越高。這些功能的實(shí)現(xiàn)需要借助于攝像頭、雷達(dá)、激光雷達(dá)等新增的傳感器數(shù)據(jù)，其中視頻處理需要大量并行計(jì)算。然而，傳統(tǒng)CPU算力不足，而DSP擅長(zhǎng)圖像處理，對(duì)于深度學(xué)習(xí)卻缺乏足夠的性能。盡管GPU擅長(zhǎng)訓(xùn)練，但它過(guò)于耗電，影響汽車(chē)的性能。因此，本書(shū)著眼于未來(lái)，認(rèn)為定制化的ASIC必將成為主流。本書(shū)以自動(dòng)駕駛的芯片設(shè)計(jì)為最終目標(biāo)，來(lái)論述設(shè)計(jì)一個(gè)面向未來(lái)的自動(dòng)駕駛SoC芯片的學(xué)術(shù)支撐和工程實(shí)踐。本書(shū)共13章。其中第1章主要介紹自動(dòng)駕駛目前遇到的挑戰(zhàn)和研究方向。第2～6章重點(diǎn)講述環(huán)境感知以及規(guī)劃控制方面的算法設(shè)計(jì)；第7～10章重點(diǎn)講述深度學(xué)習(xí)模型的優(yōu)化和深度學(xué)習(xí)芯片的設(shè)計(jì)；第11章和第12章重點(diǎn)講述具有安全功能的自動(dòng)駕駛軟件架構(gòu)設(shè)計(jì)；第13章介紹5G車(chē)聯(lián)網(wǎng)。
任建峰，博士，目前就職于谷歌公司，分別于2005年和2009 年獲得西北工業(yè)大學(xué)模式識(shí)別與智能系統(tǒng)博士學(xué)位和美國(guó)得州大學(xué)達(dá)拉斯分校電子工程博士學(xué)位，從事計(jì)算影像學(xué)、自動(dòng)駕駛方面芯片算法研發(fā)工作，在高通、華為海思工作多年，發(fā)表論文40多篇，擁有30多項(xiàng)美國(guó)專(zhuān)利。
第1章 自動(dòng)駕駛芯片的挑戰(zhàn) 1
1.1 自動(dòng)駕駛科技界現(xiàn)狀 1
1.2 自動(dòng)駕駛設(shè)計(jì)的挑戰(zhàn) 2
1.2.1 功能約束 3
1.2.2 可預(yù)測(cè)性約束 3
1.2.3 存儲(chǔ)限制 4
1.2.4 熱量約束 4
1.2.5 功率約束 5
1.3 自動(dòng)駕駛系統(tǒng)算法設(shè)計(jì) 5
1.3.1 感知 6
1.3.2 決策 7
1.3.3 控制 8
1.3.4 安全驗(yàn)證與測(cè)試 9
1.4 自動(dòng)駕駛系統(tǒng)計(jì)算平臺(tái) 10
1.4.1 GPU 11
1.4.2 DSP 11
1.4.3 FPGA 11
1.4.4 ASIC 12
參考文獻(xiàn) 12
第2章 3D物體檢測(cè) 14
2.1 傳感器 15
2.1.1 攝像機(jī) 15
2.1.2 激光雷達(dá) 15
2.2 數(shù)據(jù)集 16
2.3 3D物體檢測(cè)方法 17
2.3.1 基于單目圖像的檢測(cè)方法 18
2.3.2 基于點(diǎn)云的檢測(cè)方法 19
2.3.3 基于融合的檢測(cè)方法 22
2.4 實(shí)戰(zhàn)項(xiàng)目：3D物體檢測(cè) 24
2.4.1 算法概述 25
2.4.2 點(diǎn)云預(yù)處理 26
2.4.3 網(wǎng)絡(luò)結(jié)構(gòu) 28
2.4.4 歐拉區(qū)域提議 28
2.4.5 錨盒設(shè)計(jì) 29
2.4.6 復(fù)角度回歸 30
2.4.7 損失函數(shù)的構(gòu)建 30
2.4.8 實(shí)驗(yàn)結(jié)果 31
2.4.9 訓(xùn)練細(xì)節(jié) 31
2.4.10 鳥(niǎo)瞰檢測(cè) 32
2.4.11 3D對(duì)象檢測(cè) 32
2.5 未來(lái)研究展望 33
參考文獻(xiàn) 33
第3章 車(chē)道檢測(cè) 37
3.1 傳統(tǒng)圖像處理 38
3.2 實(shí)例：基于霍夫變換的車(chē)道檢測(cè) 39
3.2.1 霍夫變換 40
3.2.2 OpenCV車(chē)道檢測(cè) 41
3.3 實(shí)例：RANSAC算法及直線擬合 42
3.3.1 算法思路 43
3.3.2 用Python實(shí)現(xiàn)直線擬合 43
3.4 基于深度學(xué)習(xí) 45
3.5 多傳感器集成方案 47
3.6 車(chē)道檢測(cè)系統(tǒng)評(píng)估標(biāo)準(zhǔn) 49
3.6.1 車(chē)道檢測(cè)系統(tǒng)性能的影響因素 49
3.6.2 離線評(píng)估 50
3.6.3 在線評(píng)估 51
3.6.4 評(píng)估指標(biāo) 52
3.7 實(shí)戰(zhàn)項(xiàng)目：車(chē)道檢測(cè) 53
3.7.1 概述 53
3.7.2 車(chē)道點(diǎn)實(shí)例網(wǎng)絡(luò) 53
3.7.3 調(diào)整大小層 54
3.7.4 相同瓶頸層 55
3.7.5 下采樣瓶頸層和上采樣瓶頸層 56
3.7.6 損失函數(shù) 58
3.7.7 后處理方法 61
3.7.8 實(shí)驗(yàn)結(jié)果 62
3.7.9 測(cè)試部分 62
參考文獻(xiàn) 63
第4章 運(yùn)動(dòng)規(guī)劃和控制 68
4.1 概述 68
4.2 傳統(tǒng)自動(dòng)駕駛的規(guī)劃和決策層 69
4.2.1 路徑規(guī)劃 70
4.2.2 實(shí)例：路徑規(guī)劃Dijkstra算法 71
4.2.3 實(shí)例：路徑規(guī)劃A*算法 75
4.2.4 行為決策 77
4.2.5 運(yùn)動(dòng)規(guī)劃 77
4.2.6 實(shí)例：運(yùn)動(dòng)規(guī)劃 78
4.2.7 車(chē)輛控制 84
4.2.8 實(shí)例：模型預(yù)測(cè)控制 84
4.2.9 實(shí)例：PID控制 89
4.3 集成感知和規(guī)劃 90
實(shí)戰(zhàn)項(xiàng)目：NVIDIA的端到端自動(dòng)駕駛 92
4.4 交互行為感知和規(guī)劃 94
4.4.1 合作與互動(dòng) 95
4.4.2 博弈論方法 95
4.4.3 概率方法 96
4.4.4 部分可觀察的馬爾可夫決策過(guò)程 96
4.4.5 基于學(xué)習(xí)的方法 97
參考文獻(xiàn) 98
第5章 定位與建圖 102
5.1 SLAM問(wèn)題 103
5.1.1 基于濾波器的SLAM方法 104
5.1.2 基于優(yōu)化的SLAM方法 108
5.2 自主駕駛的局限性 109
5.2.1 問(wèn)題的提出 109
5.2.2 避免或減少漂移的影響 109
5.2.3 自動(dòng)駕駛SLAM的評(píng)估標(biāo)準(zhǔn) 110
5.3 自動(dòng)駕駛中的SLAM 111
5.3.1 重新定位和回環(huán)檢測(cè) 111
5.3.2 先前構(gòu)建的地圖中的定位 113
5.3.3 建立和使用未來(lái)地圖 115
5.3.4 利用當(dāng)前地圖資源 116
5.4 自動(dòng)駕駛中的地圖表示 117
5.4.1 公制地圖模型 117
5.4.2 語(yǔ)義地圖模型 120
參考文獻(xiàn) 122
第6章 自動(dòng)駕駛仿真器 128
6.1 最新的仿真器 129
6.1.1 AirSim 129
6.1.2 Apollo 129
6.1.3 CARLA 130
6.1.4 Udacity AV Simulator 131
6.1.5 Deep Traf?c 132
6.2 仿真器實(shí)戰(zhàn)：CARLA 132
6.2.1 仿真引擎 132
6.2.2 使用CARLA評(píng)估自動(dòng)駕駛方法 133
參考文獻(xiàn) 135
第7章 自動(dòng)駕駛芯片 136
7.1 Mobileye EyeQ 137
7.2 NVIDIA 138
7.2.1 NVIDIA DRIVE AGX開(kāi)發(fā)者套件 138
7.2.2 NVIDIA DRIVE軟件 138
7.3 TI Jacinto TDAx 141
7.4 實(shí)戰(zhàn)項(xiàng)目：360°環(huán)景系統(tǒng)與自動(dòng)停車(chē)系統(tǒng) 142
7.4.1 自動(dòng)停車(chē)與停車(chē)輔助系統(tǒng) 143
7.4.2 使用Jacinto TDA4VM處理器系列應(yīng)對(duì)環(huán)視和自動(dòng)停車(chē)的挑戰(zhàn) 144
7.4.3 Jacinto TDA4VM SoC 145
7.5 Qualcomm 147
7.6 NXP 148
7.7 Xilinx Zynq-7000 148
7.8 Synopsys 149
第8章 深度學(xué)習(xí)模型優(yōu)化 151
8.1 模型壓縮和加速 152
8.1.1 參數(shù)修剪和共享 153
8.1.2 低秩分解 155
8.1.3 轉(zhuǎn)移/緊湊卷積濾波器 156
8.1.4 知識(shí)蒸餾 159
8.2 AI模型效率工具包 159
8.2.1 大規(guī)模節(jié)能AI 160
8.2.2 通過(guò)合作推進(jìn)AI模型效率的研究 161
8.3 未來(lái)研究展望 161
參考文獻(xiàn) 162
第9章 深度學(xué)習(xí)芯片設(shè)計(jì) 166
9.1 概述 167
9.2 在CPU和GPU平臺(tái)上加速內(nèi)核計(jì)算 167
9.3 中科院計(jì)算所的深度學(xué)習(xí)芯片系列 168
9.3.1 卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 168
9.3.2 DaDianNao 170
9.3.3 ShiDianNao 171
9.3.4 寒武紀(jì)Cambricon-X 172
9.4 麻省理工學(xué)院的Eyeriss系列 172
9.4.1 卷積神經(jīng)網(wǎng)絡(luò)基本知識(shí) 172
9.4.2 Eyeriss 173
9.4.3 Eyeriss v2 174
9.5 谷歌的TPU芯片 177
9.5.1 TPU v1 177
9.5.2 TPU指令集 178
9.5.3 TPU的心臟：脈動(dòng)陣列 179
9.5.4 TPU v2/v3 180
9.5.5 軟件架構(gòu) 180
9.6 近內(nèi)存計(jì)算 181
9.6.1 DRAM 181
9.6.2 SRAM 182
9.6.3 非易失性電阻存儲(chǔ)器 182
9.6.4 傳感器 183
9.7 DNN硬件的指標(biāo) 183
參考文獻(xiàn) 184
第10章 自動(dòng)駕駛SoC設(shè)計(jì) 186
10.1 自動(dòng)駕駛SoC設(shè)計(jì)流程 186
10.2 TI的Jacinto SoC平臺(tái) 187
10.3 Jacinto 7處理器的功能安全特性 190
10.3.1 功能安全 190
10.3.2 軟件功能安全 191
10.3.3 安全應(yīng)用部署 192
10.4 具有DNN和ISP的符合安全標(biāo)準(zhǔn)的多核SoC設(shè)計(jì) 194
10.4.1 ADAS圖像識(shí)別SoC 194
10.4.2 DNN加速器 195
10.4.3 具有安全BIST控制器的ISP 196
10.5 實(shí)例：NVIDIA深度學(xué)習(xí)加速器 197
10.5.1 NVDLA介紹 198
10.5.2 FireSim 199
10.5.3 NVDLA集成 199
10.5.4 性能分析 200
參考文獻(xiàn) 200
第11章 自動(dòng)駕駛操作系統(tǒng) 202
11.1 概述 202
11.2 開(kāi)源自動(dòng)駕駛操作系統(tǒng) 204
11.2.1 Linux RTOS 204
11.2.2 ROS中間件 205
11.3 使用開(kāi)源軟件開(kāi)發(fā)自動(dòng)駕駛技術(shù)的公司 206
11.3.1 百度 206
11.3.2 寶馬 207
11.3.3 Voyage 208
11.3.4 Tier IV 208
11.3.5 PolySync 209
11.3.6 Perrone Robotics 210
11.4 汽車(chē)硬實(shí)時(shí)操作系統(tǒng)和框架 211
11.4.1 BlackBerry QNX 211
11.4.2 EB robinos和EB corbos 212
11.4.3 Integrity RTOS 213
11.4.4 NVIDIA DriveWorks SDK 213
11.5 總結(jié) 214
第12章 自動(dòng)駕駛軟件架構(gòu) 215
12.1 概述 215
12.2 基于ISO 26262的軟件開(kāi)發(fā) 216
12.2.1 ISO 26262簡(jiǎn)介 216
12.2.2 Synopsys軟件產(chǎn)品組合 216
12.2.3 ASIL 218
12.2.4 軟件架構(gòu)設(shè)計(jì) 218
12.2.5 軟件單元設(shè)計(jì)與實(shí)現(xiàn) 219
12.2.6 軟件單元測(cè)試 219
12.3 基于SAE J3016的組件架構(gòu)設(shè)計(jì) 220
12.3.1 功能組件 221
12.3.2 AUTOSAR 224
12.4 自動(dòng)駕駛汽車(chē)的架構(gòu)設(shè)計(jì)與實(shí)現(xiàn) 225
12.4.1 硬件框架 226
12.4.2 軟件系統(tǒng)架構(gòu) 227
12.4.3 數(shù)據(jù)傳輸模塊 229
12.4.4 自動(dòng)駕駛測(cè)試報(bào)告 229
參考文獻(xiàn) 229
第13章 5G C-V2X簡(jiǎn)介 230
13.1 移動(dòng)車(chē)聯(lián)網(wǎng) 230
13.2 C-V2X如何改變駕駛 231
13.2.1 避免碰撞 231
13.2.2 車(chē)隊(duì)行駛 232
13.2.3 協(xié)作駕駛 232
13.2.4 隊(duì)列警告 232
13.2.5 保護(hù)弱勢(shì)道路使用者 232
13.2.6 支持應(yīng)急服務(wù) 233
13.2.7 危險(xiǎn)提前警告 233
13.2.8 越來(lái)越多的自動(dòng)駕駛 233
13.3 C-V2X的優(yōu)勢(shì) 233
13.4 C-V2X的工作原理 235
13.4.1 直接通信 235
13.4.2 網(wǎng)絡(luò)通信 235
13.4.3 5G如何改變C-V2X 236
13.5 C-V2X部署計(jì)劃 236
13.5.1 中國(guó)引領(lǐng)潮流 236
13.5.2 澳大利亞——改善道路安全 237
13.5.3 美國(guó)——增長(zhǎng)勢(shì)頭 237
13.5.4 歐洲——廣泛支持 238
13.6 總結(jié) 238
書(shū)單推薦
