自動駕駛感知實踐：從3D到BEV
高毅鵬 劉力銘
489人在讀
17.3萬字總字數
¥71定價
高毅鵬 劉力銘
本書由真正從事自動駕駛感知實踐的資深專家撰寫，由真實落地經驗總結，系統講解從3D目標檢測到BEV融合感知的完整技術體系，內容涵蓋基礎理論、核心算法與工程實踐，爲讀者進行感知系統開發提供全鏈路指導。 全書共7章。第1章全面介紹攝像頭、激光雷達、毫米波雷達與超聲波雷達的硬件組成、工作原理及應用場景，奠定傳感器技術基礎。第2章講解針孔相機模型、畸變模型、魚眼相機與雙目相機模型，爲圖像處理與目標檢測提供理論支撐。第3章深入解析3D目標檢測算法，包括單目測距、單目3D檢測及基於點雲的方法，如SMOKE、MonoFlex、MonoDETR、PointPillars和CenterPoint，展現其在自動駕駛中的關鍵作用。第4章聚焦時間同步技術與攝像頭、多傳感器聯合標定方法，確保多源數據的時空一致性，爲數據融合提供保障。第5章介紹卡爾曼濾波、匈牙利算法及其改進方法，結合後融合策略與Apollo平臺的融合方案，系統講解後融合感知的實際應用。第6章圍繞BEV融合感知技術，涵蓋LSS、BEVDet、BEVDet4D、DETR3D、Sparse4D v1和BEVFormer等前沿算法，展示基於幾何與網絡變換的最新進展。第7章關注BEV感知的工程化落地，結合開源數據集、TensorRT加速與BEVDet4D實戰，提供從算法到部署的完整實現路徑。
我是從事智能駕駛數據閉環專業的工程師，更多的工作是工具鏈工程化建設，尤其是在構建數據前處理 pipeline 產線的時候需要和算法緊密溝通，在以前我和算法溝通存在着巨大的鴻溝，對於智駕模型算法的整體瞭解和一些專業數據都不懂，看完整本書，雖然無法達到算法理解的程度，但是我可以站在平臺建設工程師的角度和算法很多的溝通，比如說我可以和算法溝通是多傳感器前融合還是後融合，不同方式對於 pipeline 的構建有沒有區別等。 智駕模型訓練需要哪些傳感器的數據，以及爲什麼需要這麼多傳感器的數據，它們都起到了什麼樣的作用，最終數據是如何處理給到模型訓練的。 這中間對於非算法人員來說是一個黑盒，但是作爲數據閉環工程師理解這些又是非常重要的，這不僅僅對於構建產線 pipeline， 更對於完整的數據閉環理解中的重要環節有着極大的學習價值。
雖然專業部分的內容是一點看不懂，但對於喜歡汽車，特別是電動汽車的愛好者來說，挺好的，能夠看明白，智能化的系統工作原理，特別對於雷達這部分的講解。