為進一步促進BEV感知算法研究，本書全面深入地探討了自動駕駛汽車BEV感知算法的理論基礎(chǔ)、關(guān)鍵技術(shù)、應用實踐以及未來發(fā)展趨勢。其中，第1章主要介紹了BEV環(huán)境感知算法的定義、發(fā)展歷程、重要性以及面臨的挑戰(zhàn)；第2~8章詳細介紹了不同類型的BEV感知算法，涵蓋了基于點云信息處理的激光雷達BEV感知算法、基于多尺度空間結(jié)構(gòu)理解的多相機BEV感知算法、基于時空特征融合的多相機BEV感知算法、基于位置與語義信息加權(quán)的極坐標多相機BEV感知算法、基于極坐標的多傳感器融合BEV感知算法、基于相機-激光雷達融合的BEV感知算法以及基于注意力機制的相機和激光雷達融合BEV感知算法；第9章提煉了BEV感知算法的關(guān)鍵研究成果，并對未來的發(fā)展趨勢進行了展望。
本書不僅涵蓋了BEV感知算法的基礎(chǔ)理論和關(guān)鍵技術(shù)，還通過大量實驗數(shù)據(jù)和案例分析展示了算法的實際應用效果，具有很高的學術(shù)價值和實踐指導意義。本書可作為自動駕駛領(lǐng)域的研究人員、工程師以及相關(guān)專業(yè)高校師生的參考書籍。
第1章 緒論 001
1.1 汽車的智能化 001
1.1.1 智能汽車階段 001
1.1.2 智能網(wǎng)聯(lián)汽車階段 002
1.1.3 自動駕駛汽車階段 003
1.2 BEV感知算法簡介 004
1.2.1 什么是BEV？ 004
1.2.2 BEV感知算法的發(fā)展歷程 005
1.2.3 BEV感知算法的重要性 005
1.2.4 應用與挑戰(zhàn) 005
1.3 自動駕駛汽車BEV感知算法分類及國內(nèi)外研究現(xiàn)狀 006
1.3.1 基于多相機的BEV感知算法及國內(nèi)外研究現(xiàn)狀 006
1.3.2 基于激光雷達的BEV感知算法及國內(nèi)外研究現(xiàn)狀 010
1.3.3 基于多傳感器融合的BEV感知算法及國內(nèi)外研究現(xiàn)狀 012
1.4 本書內(nèi)容概要 015
第2章 基于點云信息處理的激光雷達BEV感知算法 016
2.1 激光雷達點云基礎(chǔ) 016
2.1.1 激光雷達原理 017
2.1.2 點云的特性 019
2.2 基于激光雷達信息處理的3D目標檢測算法 022
2.2.1 BEV視角生成 022
2.2.2 網(wǎng)絡的推理框架 024
2.2.3 點云數(shù)據(jù)后處理 026
2.2.4 實驗結(jié)果與分析 027
2.2.5 結(jié)論 031
2.3 基于激光雷達的端到端BEV目標檢測算法 031
2.3.1 BEV視角生成 032
2.3.2 網(wǎng)絡的推理框架 032
2.3.3 多任務訓練 035
2.3.4 實驗結(jié)果與分析 036
2.3.5 結(jié)論 039
本章小結(jié) 039
第3章 基于多尺度空間結(jié)構(gòu)理解的多相機BEV感知算法 041
3.1 超大目標與小目標檢測 041
3.2 網(wǎng)絡模型 043
3.3 空洞-加權(quán)雙向特征金字塔模塊 044
3.3.1 并行空洞卷積特征提取 044
3.3.2 雙向加權(quán)特征金字塔特征融合 045
3.4 多尺度目標相對深度學習 046
3.4.1 尺度檢測與自適應參考點選取 046
3.4.2 相對深度計算 048
3.5 檢測頭和損失函數(shù) 048
3.6 實驗及其可視化 049
3.6.1 數(shù)據(jù)集和實驗設置 049
3.6.2 整體檢測精度提升 050
3.6.3 類別平均精度比較 051
3.6.4 消融實驗 053
3.6.5 檢測結(jié)果可視化 055
本章小結(jié) 057
第4章 基于時空特征融合的多相機BEV感知算法 059
4.1 時空特征融合的重要性 059
4.2 網(wǎng)絡模型 061
4.2.1 總體框架 061
4.2.2 實例信息傳播 062
4.2.3 圖像編碼器 064
4.2.4 時空特征融合注意力模塊 065
4.2.5 高效時空可變形聚合模塊 067
4.2.6 BEV自注意力 068
4.3 實驗與分析 069
4.3.1 數(shù)據(jù)集 069
4.3.2 評估指標 070
4.3.3 實驗細節(jié) 070
4.3.4 對比實驗 070
4.3.5 定性分析 073
4.3.6 消融實驗 076
本章小結(jié) 079
第5章 基于位置與語義信息加權(quán)的極坐標多相機BEV感知算法 081
5.1 使用極坐標進行感知的必要性 082
5.2 網(wǎng)絡模型 083
5.2.1 總體框架 083
5.2.2 跨平面特征編碼與對齊 086
5.2.3 多層級BEV特征編碼與解碼 088
5.3 算法測試與結(jié)果分析 090
5.3.1 數(shù)據(jù)集與環(huán)境配置 090
5.3.2 在nuScenes數(shù)據(jù)集上的測試結(jié)果分析 091
5.3.3 實驗定性分析 092
5.4 消融實驗 093
5.4.1 極坐標系與笛卡兒坐標系對比 093
5.4.2 采用信息加權(quán)方法與融入時間信息的有效性 095
5.4.3 選擇最優(yōu)參數(shù)的正交實驗 096
本章小結(jié) 098
第6章 基于極坐標的多傳感器融合BEV感知算法 100
6.1 極坐標系下的多模態(tài)融合技術(shù)問題概述 101
6.2 基于極坐標的多模態(tài)融合BEV目標檢測算法 102
6.2.1 總體架構(gòu) 103
6.2.2 極坐標候選區(qū)域生成模塊 104
6.2.3 極坐標區(qū)域內(nèi)查詢生成模塊 106
6.2.4 極坐標區(qū)域內(nèi)信息融合模塊 109
6.2.5 目標檢測與損失函數(shù) 110
6.3 算法測試與結(jié)果分析 111
6.3.1 數(shù)據(jù)集與環(huán)境配置 111
6.3.2 在nuScenes數(shù)據(jù)集上的測試與結(jié)果分析 112
6.3.3 消融實驗 114
6.3.4 實驗定性分析 118
本章小結(jié) 120
第7章 基于相機-激光雷達融合的BEV感知算法 122
7.1 BEV視角下多模態(tài)融合的3D目標檢測方法 123
7.1.1 激光雷達初始特征提取和BEV特征的構(gòu)建 124
7.1.2 相機的初始特征提取和BEV特征的構(gòu)建 124
7.1.3 激光雷達-相機BEV特征融合的多模態(tài)交叉
注意力機制的構(gòu)建 125
7.1.4 BEV自注意力機制 126
7.1.5 預測頭 127
7.1.6 損失函數(shù) 127
7.2 實驗與分析 129
7.2.1 數(shù)據(jù)集 129
7.2.2 評估指標 129
7.2.3 實驗細節(jié) 129
7.2.4 對比實驗 130
7.3 消融實驗分析 132
7.3.1 定量分析 133
7.3.2 定性分析 133
本章小結(jié) 137
第8章 基于注意力機制的相機和激光雷達融合BEV感知算法 138
8.1 網(wǎng)絡模型 138
8.1.1 總體框架 138
8.1.2 圖像特征提取和BEV特征的構(gòu)建 139
8.1.3 激光雷達特征到BEV特征的轉(zhuǎn)化 141
8.1.4 BEV特征融合模塊 141
8.1.5 3D目標檢測頭 143
8.2 損失函數(shù) 143
8.3 實驗設置及評估 143
8.3.1 數(shù)據(jù)集 144
8.3.2 評價指標 144
8.3.3 實驗細節(jié) 144
8.3.4 檢測結(jié)果及對比 145
8.3.5 消融實驗 146
本章小結(jié) 150
第9章 總結(jié)與展望 151
9.1 本書總結(jié) 151
9.2 未來展望 152
參考文獻 154
書單推薦
