1）資深一線量產(chǎn)專家執(zhí)筆：從3D目標(biāo)檢測到BEV融合感知，拆解多傳感器融合的核心算法與落地細(xì)節(jié)，助你完成感知技術(shù)階躍。
2）全鏈路開發(fā)地圖：覆蓋傳感器硬件選型→相機(jī)/圖像模型→3D檢測→時空同步→后融合/BEV前融合→端側(cè)部署，每一步都給出可復(fù)用的工程方案。

本書由真正從事自動駕駛感知實踐的資深專家撰寫，由真實落地經(jīng)驗總結(jié)，系統(tǒng)講解從3D目標(biāo)檢測到BEV融合感知的完整技術(shù)體系，內(nèi)容涵蓋基礎(chǔ)理論、核心算法與工程實踐，為讀者進(jìn)行感知系統(tǒng)開發(fā)提供全鏈路指導(dǎo)。
全書共7章。第1章全面介紹攝像頭、激光雷達(dá)、毫米波雷達(dá)與超聲波雷達(dá)的硬件組成、工作原理及應(yīng)用場景，奠定傳感器技術(shù)基礎(chǔ)。第2章講解針孔相機(jī)模型、畸變模型、魚眼相機(jī)與雙目相機(jī)模型，為圖像處理與目標(biāo)檢測提供理論支撐。第3章深入解析3D目標(biāo)檢測算法，包括單目測距、單目3D檢測及基于點云的方法，如SMOKE、MonoFlex、MonoDETR、PointPillars和CenterPoint，展現(xiàn)其在自動駕駛中的關(guān)鍵作用。第4章聚焦時間同步技術(shù)與攝像頭、多傳感器聯(lián)合標(biāo)定方法，確保多源數(shù)據(jù)的時空一致性，為數(shù)據(jù)融合提供保障。第5章介紹卡爾曼濾波、匈牙利算法及其改進(jìn)方法，結(jié)合后融合策略與Apollo平臺的融合方案，系統(tǒng)講解后融合感知的實際應(yīng)用。第6章圍繞BEV融合感知技術(shù)，涵蓋LSS、BEVDet、BEVDet4D、DETR3D、Sparse4D v1和BEVFormer等前沿算法，展示基于幾何與網(wǎng)絡(luò)變換的最新進(jìn)展。第7章關(guān)注BEV感知的工程化落地，結(jié)合開源數(shù)據(jù)集、TensorRT加速與BEVDet4D實戰(zhàn)，提供從算法到部署的完整實現(xiàn)路徑。

目　　錄?Contents<br />前　言<br />第1章　傳感器技術(shù)詳解與應(yīng)用　1<br />1.1　車載攝像頭　2<br />1.1.1　攝像頭的硬件組成　2<br />1.1.2　車載攝像頭的分類　4<br />1.1.3　車載攝像頭的性能要求　5<br />1.1.4　車載攝像頭的應(yīng)用場景　6<br />1.2　激光雷達(dá)　8<br />1.2.1　探測采用的方法　8<br />1.2.2　組成、硬件參數(shù)與應(yīng)用場景　10<br />1.3　毫米波雷達(dá)　24<br />1.3.1　硬件結(jié)構(gòu)　25<br />1.3.2　信號處理流程　26<br />1.3.3　FMCW雷達(dá)的工作原理　27<br />1.3.4　毫米波雷達(dá)的應(yīng)用　35<br />1.4　超聲波雷達(dá)　36<br />1.4.1　測距原理　37<br />1.4.2　二維測距與空間定位　37<br />1.4.3　安裝與應(yīng)用　38<br />第2章　相機(jī)與圖像　40<br />2.1　針孔相機(jī)模型　40<br />2.2　畸變模型　43<br />2.3　魚眼相機(jī)模型　45<br />2.4　雙目相機(jī)模型　49<br />第3章　3D目標(biāo)檢測　53<br />3.1　單目測距算法　55<br />3.1.1　相機(jī)坐標(biāo)系與世界<br />坐標(biāo)系　55<br />3.1.2　幾何線索測距　59<br />3.2　單目3D檢測算法的原理與<br />實現(xiàn)　65<br />3.2.1　SMOKE算法　66<br />3.2.2　MonoFlex算法　75<br />3.2.3　MonoDETR算法　87<br />3.3　基于點云的3D目標(biāo)檢測算法的<br />原理與實現(xiàn)　97<br />3.3.1　PointPillars算法　98<br />3.3.2　CenterPoint算法　110<br />第4章　融合感知：時間同步和<br />標(biāo)定　121<br />4.1　多傳感器時間同步　122<br />4.1.1　時間同步的核心技術(shù)　122<br />4.1.2　時間同步的主流方案　125<br />4.2　攝像頭標(biāo)定　129<br />4.2.1　攝像頭內(nèi)參標(biāo)定　129<br />4.2.2　攝像頭外參標(biāo)定　134<br />4.2.3　攝像頭在線標(biāo)定　137<br />4.3　多傳感器聯(lián)合標(biāo)定　142<br />4.3.1　激光雷達(dá)與攝像頭聯(lián)合標(biāo)定　143<br />4.3.2　激光雷達(dá)與IMU聯(lián)合標(biāo)定　147<br />第5章　后融合感知方案　151<br />5.1　卡爾曼濾波算法　153<br />5.2　圖論基本概念與匈牙利算法　158<br />5.2.1　圖論基本概念　159<br />5.2.2　匈牙利算法　162<br />5.2.3　改進(jìn)的匈牙利算法：KM算法<br />和MKM算法　163<br />5.2.4　Apollo的MKM算法實現(xiàn)　166<br />5.3　后融合策略　170<br />5.3.1　無記憶策略和有記憶策略　170<br />5.3.2　循環(huán)周期策略和觸發(fā)式策略　173<br />5.4　基于Apollo的后融合感知方案　175<br />5.4.1　數(shù)據(jù)對齊　175<br />5.4.2　數(shù)據(jù)關(guān)聯(lián)　181<br />5.4.3　軌跡更新　199<br />5.4.4　特征融合　204<br />第6章　BEV融合感知　210<br />6.1　BEV感知算法的處理流程　211<br />6.2　基于幾何視圖變換的方法　214<br />6.2.1　LSS算法的原理與實現(xiàn)　217<br />6.2.2　BEVDet算法的原理與實現(xiàn)　225<br />6.2.3　BEVDet4D算法的原理　234<br />6.3　基于網(wǎng)絡(luò)變換的方法　236<br />6.3.1　DETR3D算法的原理與<br />實現(xiàn)　240<br />6.3.2　Sparse4D v1算法的原理與<br />實現(xiàn)　252<br />6.3.3　BEVFormer算法的原理與<br />實現(xiàn)　268<br />第7章　BEV感知算法的工程化<br />落地　289<br />7.1　開源數(shù)據(jù)集介紹　289<br />7.2　TensorRT應(yīng)用　298<br />7.3　BEVDet4D實戰(zhàn)　308<br />7.3.1　BEVDet4D模型訓(xùn)練　308<br />7.3.2　BEVDet4D的TensorRT<br />部署　312<br /><br />