自動駕駛BEV感知算法指南

定　價：￥99.00

作　者：	易顯維虞凡
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥83.60)

ISBN：	9787111768821	出版時間：	2024-12-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　本書由智能汽車領域?qū)嵺`型專家聯(lián)合撰寫，帶你一次性學透BEV，實現(xiàn)快速落地與創(chuàng)新。在內(nèi)容設計上，本書以BEV主流技術與工程實踐為主線，系統(tǒng)分析介紹BEV算法的基本原理、關鍵技術和源碼級實現(xiàn)方法，助你掌握自動駕駛感知系統(tǒng)的整體架構和設計理念。本書共9章。第1章介紹BEV感知算法的核心概念和框架，強調(diào)其獨特優(yōu)勢及挑戰(zhàn)。第2章概述關鍵數(shù)據(jù)集，如KITTI、nuScenes和Waymo，并解釋了評估算法性能的指標。第3章深入介紹特征提取技術，涵蓋圖像和激光雷達數(shù)據(jù)的提取方法。第4章探討視角轉換、注意力機制及Transformer在BEV感知算法中的應用。第5章和第6章分別講解顯式和隱式視角轉換下的BEV感知算法，如BEVDet系列和BEVFormer等。第7章和第8章通過實例介紹BEV感知算法的實現(xiàn)過程。第9章討論大模型在自動駕駛領域的應用及面臨的挑戰(zhàn)。

作者簡介

　　易顯維：易智數(shù)維的創(chuàng)始人、中國地質(zhì)大學碩士。10余年研發(fā)經(jīng)驗，曾先后任職于建行數(shù)據(jù)中心、科大訊飛研究院以及百分點科技集團認知智能實驗室。長期為東風集團提供技術支持與方案咨詢，在實車感知算法與機器人視覺項目方面擁有豐富且寶貴的經(jīng)驗。其研究方向涵蓋機器視覺、自然語言處理、結構化數(shù)據(jù)挖掘等多個領域。曾在各種競賽中獲獎20余次。虞凡：東風暢行公司首席出行官、西安交通大學計算機軟件科學技術博士。擁有10余年工作經(jīng)驗，曾于清華大學軟件學院進行博士后研究工作，現(xiàn)負責東風暢行公司的Robotaxi商業(yè)探索、平臺軟件工程效率提升、網(wǎng)絡出行平臺算法設計等工作，也曾聯(lián)合創(chuàng)建網(wǎng)約車平臺公司。他發(fā)表高水平論文10余篇，獲得發(fā)明專利授權10余項，獲得武漢市車谷英才稱號。其研究方向包括軟件工程中的形式化方法和AI算法，專注于大數(shù)據(jù)分析、知識圖譜、網(wǎng)絡出行平臺和出行算法設計。

圖書目錄

前　言第1章　快速了解BEV感知
算法1　1.1　BEV感知算法解決的問題1
　1.2　BEV感知算法的常見范式7
　1.3　BEV感知算法的分類9
1.3.1　基于單應性的方法9
1.3.2　基于深度估計的方法10
1.3.3　基于多層感知器的
方法12
1.3.4　基于Transformer的
方法13
　1.4　BEV感知算法的不足14
　1.5　本章小結16第2章　BEV感知算法的
數(shù)據(jù)集17　2.1　KITTI數(shù)據(jù)集18
　2.2　nuScenes數(shù)據(jù)集25
　2.3　nuScenes數(shù)據(jù)集常用的評測
指標及計算方法39
2.3.1　檢測任務評測指標計算
公式40
2.3.2　跟蹤任務評測指標計算
公式42
2.3.3　其他輔助指標計算公式42
　2.4　Waymo數(shù)據(jù)集46
　2.5　不同數(shù)據(jù)集之間的對比47
　2.6　本章小結48第3章　BEV感知算法的特征
提取49　3.1　圖像模態(tài)49
3.1.1　相機的內(nèi)外參數(shù)49
3.1.2　圖像特征提取和ResNet
原理54
　3.2　激光雷達模態(tài)中點云目標
檢測的代表算法55
3.2.1　PointPillar算法55
3.2.2　PV-RCNN算法58
　3.3　本章小結61第4章　BEV感知算法的基本
模塊62　4.1　視角轉換模塊62
4.1.1　自動駕駛中的坐標系63
4.1.2　坐標系轉換與視角轉換
模塊65
4.1.3　LSS原理69
4.1.4　LSS代碼實現(xiàn)與模型
運行71
　4.2　BEV感知算法中的注意力
機制82
4.2.1　通道注意力機制82
4.2.2　空間注意力機制83
4.2.3　混合注意力機制83
4.2.4　BEV感知算法中的時序
融合83
　4.3　本章小結86第5章　顯式視角轉換的BEV
感知算法87　5.1　基于LSS方法的顯式視角轉換的
BEV感知算法89
5.1.1　BEVDet89
5.1.2　BEVDet4D91
　5.2　BEVDet中的視角轉換過程91
　5.3　BEVDet4D中的時序?qū)R93
　5.4　本章小結94第6章　隱式視角轉換的BEV
感知算法95　6.1　傳統(tǒng)目標檢測方法與DETR
類方法95
6.1.1　傳統(tǒng)目標檢測方法的
局限性96
6.1.2　DETR類方法的優(yōu)點97
　6.2　主要的隱式視角轉換的BEV
感知算法98
6.2.1　BEVFormer98
6.2.2　DETR3D102
6.2.3　PETR103
　6.3　DETR3D計算過程106
6.3.1　圖像特征提取106
6.3.2　特征查詢模塊107
6.3.3　二分圖匹配108
6.3.4　DETR和DETR3D的
異同108
　6.4　隱式轉換DETR、DETR3D和
PETR的主要差別109
　6.5　本章小結110第7章　BEVFusion實踐111　7.1　原理詳解111
7.1.1　網(wǎng)絡架構112
7.1.2　圖像支路113
7.1.3　點云支路114
7.1.4　融合模塊115
　7.2　代碼詳解116
7.2.1　nuScenes數(shù)據(jù)集
處理116
7.2.2　模型訓練過程131
　7.3　環(huán)境搭建149
7.3.1　搭建PyTorch環(huán)境149
7.3.2　安裝 *BEVFusion150
7.3.3　編譯BEVFusion
環(huán)境151
7.3.4　訓練和測試
BEVFusion152
　7.4　本章小結153第8章　BEVFormer實踐154　8.1　代碼詳解154
8.1.1　數(shù)據(jù)處理155
8.1.2　模型訓練過程156
　8.2　環(huán)境搭建190
8.2.1　創(chuàng)建虛擬環(huán)境190
8.2.2　安裝*BEVFormer191
　8.3　模型部署192
　8.4　本章小結192第9章　大模型在自動駕駛領域
的應用193　9.1　端到端的自動駕駛系統(tǒng)
UniAD194
9.1.1　UniAD的提出背景194
9.1.2　UniAD架構196
　9.2　賦能自動駕駛數(shù)據(jù)生產(chǎn)和
模型訓練197
9.2.1　輔助標注數(shù)據(jù)198
9.2.2　模型蒸餾給小模型
賦能200
9.2.3　將多個小模型合并成
大模型201
9.2.4　自動駕駛的重建和數(shù)據(jù)
生成201
　9.3　視覺大模型的難點202
9.3.1　視覺大模型發(fā)展相對落后
的原因202
9.3.2　視覺大模型的技術挑戰(zhàn)與
實踐難點203
　9.4　本章小結204