新書推薦：
《
论断与概念
》
售價：NT$
449
《
通用图形处理器指令集架构和软硬件设计——乘影开源GPGPU设计透视
》
售價：NT$
658
《
游牧者的抉择：面对汉帝国的北亚游牧部族
》
售價：NT$
356
《
从“四夷”到“外国”：《宋史·外国传》研究 国家社科基金后期资助项目
》
售價：NT$
449
《
苏格拉底的虔敬：读柏拉图《游叙弗伦》笔记
》
售價：NT$
403
《
思辨者的罗盘：从逻辑谬误到严谨表达
》
售價：NT$
286
《
面具之下：近代日本报人对华情报活动
》
售價：NT$
449
《
广东省博物馆藏品大系 端砚卷
》
售價：NT$
2540
|
| 編輯推薦： |
本书是智能驾驶领域兼具理论与实战价值的权威著作，由地平线联合苏州大学编写，融合量产经验与学术积累，为学习者和从业者提供体系化的知识框架与实践指南。
【权威团队，产学结合】
核心作者来自一线量产团队，联合高校专家共同审稿，依托地平线BeeLab整合产业与学术资源，确保内容专业且具备落地性。
【体系完整，聚焦场景】
从基础到进阶覆盖三维重建、多传感器融合、自动驾驶仿真等核心模块，紧扣智能驾驶专属场景，每章配有练习题，助力形成学习-实践闭环。
【案例丰富，实战性强】
融入特斯拉视觉重建、行车泊车建图等量产案例，配套在线课程、代码及开发资料，直击行业痛点，提供可复用的“干货”指导。
【适用广泛，兼顾多需】
适合智能驾驶相关专业学生作为教材，也可供开发及研究人员参考，满足从入门到进阶的不同层次需求。
|
| 內容簡介： |
数据驱动下的创新为智能驾驶技术带来了巨大的发展潜力，也为用户个性化体验提供了更多可能。毫无疑问，经过标注的高质量、结构化数据已从过去的辅助角色逐渐转变为重要的价值创造者角色，而多维（包括三维重建加时间维度）重建技术则是构建大规模、全自动、高质量数据标注引擎的核心，更是进行建图、仿真、测试、可视化及自动驾驶系统的关键。在学术界，与智能驾驶相关的大规模三维重建、四维标注、鸟瞰图、占用网络、软件2.0等与多维重建强相关的工作越来越多，很多学术会议及期刊也不断推出与之相关的研讨会（Workshop）与特刊（Special Issue）。地平线（Horizon Robotics）拥有多年智能驾驶研发及量产经验，已将多维重建技术应用到产品线中，并且本着开放赋能、共同进步的目标，与苏州大学合作编写本书，系统介绍与多维重建相关的技术、方法及应用，帮助数据及算法团队迅速建立核心能力，并帮助入门者快速了解相关概念与核心技术。本书除了层层递进介绍基础知识外，还加入了大量来自量产一线的多维重建案例，便于读者动手实践。
本书主要面向智能车辆工程、智能视觉工程、智慧交通、人工智能、智能科学与技术等相关专业的学生及与智能驾驶、多维重建相关的开发及研究人员等。本书既可以作为智能驾驶与多维重建的入门级教材，也可用于多维重建开发的参考工具书。
|
| 關於作者： |
杨聪，博士毕业于德国锡根大学(University of Siegen)，师从Marcin Grzegorzek教授，研究方向为机器视觉与式识别。后在法国国家信息与自动化研究所(INRIA)进行博士后研究，师从Marie-Odile Berger教授，方向集中于机器视觉并涉及多个学科的交叉。
2017年回国，担任扩博智能(Clobotics)算法团队负责人，带领团队成功研发并交付了多个人工智能相关产品。2019年加入地平线(Horizon Robotics)，担任南京人工智能高等研究院高级研究员，带领团队深度参与了地平线征程2-5代芯片在智能驾驶领域的落地与量产。现任苏州大学副教授，苏州大学-地平线智能驾驶生态创新中心主任，先后在IJCV、TVCG、TIP、TITS等国内外知名期刊或会议发表学术论文近70篇，专著2本，主编教材4部，专利近40个(含美国专利4个)。
|
| 目錄：
|
前言
第1章 智能驾驶中的三维重建…001
1.1 智能驾驶简介…001
1.2 智能驾驶传感器…003
1.2.1 视觉传感器…004
1.2.2 激光雷达…006
1.2.3 毫米波雷达…009
1.2.4 超声波传感器…012
1.2.5 定位传感器…013
1.2.6 多传感器融合…017
1.3 智能驾驶感知…018
1.4 SLAM与VLN中的三维重建…024
1.4.1 视觉SLAM…024
1.4.2 神经表达SLAM…025
1.4.3 VLN…027
1.5 智能驾驶仿真…029
1.6 案例：特斯拉视觉重建与仿真…031
练习题…032
第2章 特征点检测与匹配…034
2.1 特征点检测与描述…034
2.1.1 特征点检测算法…034
2.1.2 特征点描述算法…039
2.2 特征点匹配…041
2.3 深度学习特征点检测与匹配…043
2.3.1 基于学习的特征点检测…043
2.3.2 基于学习的特征点匹配…045
2.3.3 端到端特征点检测与匹配…046
2.3.4 评价指标…047
2.4 特征点检测与匹配的应用…048
2.5 案例：智能驾驶中的关键点检测与匹配…049
练习题…050
第3章 帧间运动估计…052
3.1 相机模型及成像…052
3.1.1 相机模型…053
3.1.2 畸变模型…056
3.2 帧间运动理论模型…057
3.2.1 对极约束…057
3.2.2 单应性变换…060
3.3 帧间运动模型求解…061
3.3.1 直接线性变换法…061
3.3.2 鲁棒估计…063
3.4 基于深度学习的里程计估计…064
3.4.1 基于学习的帧间运动估计…065
3.4.2 基于学习的视觉重建…067
3.4.3 特征点法与直接法对比…069
3.5 案例：智能驾驶中的里程计估计…070
练习题…071
第4章 运动恢复结构…073
4.1 三角测量…073
4.2 透视n点问题…075
4.3 光束法平差非线性优化…076
4.3.1 无约束最小优化问题…076
4.3.2 光束法平差求解…078
4.4 运动恢复结构框架…080
4.4.1 增量运动恢复结构…081
4.4.2 全局运动恢复结构…084
4.4.3 分层运动恢复结构…087
4.4.4 运动恢复结构对比…089
4.5 运动恢复结构的加速处理…090
4.5.1 图像连接图构建加速…090
4.5.2 匹配和几何校验加速…091
4.5.3 光束法平差并行加速…091
4.6 案例：智能驾驶场景中的SfM重建…092
练习题…092
第5章 多视图稠密重建…095
5.1 基于几何方法…095
5.1.1 法向估计…096
5.1.2 视角选择…096
5.1.3 时空平滑…097
5.1.4 光度一致…098
5.1.5 几何一致…099
5.1.6 集成…099
5.1.7 点云融合…100
5.2 基于学习方法…101
5.2.1 基于三维卷积的多视图稠密重建…102
5.2.2 基于二维卷积的多视图稠密重建…103
5.3 基于COLMAP的多视图稠密重建…104
5.3.1 COLMAP SfM…104
5.3.2 COLMAP MVS…107
5.3.3 COLMAP中间结果…108
5.4 三维占用重建…109
5.4.1 基于深度估计的占用…109
5.4.2 端到端三维占用估计…112
5.4.3 占用流…114
5.5 案例：驾驶场景中的稠密点云重建…115
练习题…117
第6章 纹理表面重建…119
6.1 三维物体的表面表达方式…119
6.1.1 边界表示法…119
6.1.2 空间划分法…120
6.1.3 构造体素法…121
6.2 基于图像分割的表面重建…122
6.2.1 德劳内三角剖分…123
6.2.2 图像分割二分类…126
6.3 基于隐函数的表面重建…128
6.3.1 隐函数空间划分…129
6.3.2 局部和全局隐函数重建…130
6.3.3 行进立方体算法生成表面…133
6.4 基于多视角的网格细化…135
6.4.1 连续梯度流离散化…135
6.4.2 数学模型…136
6.5 纹理图像重建…139
6.5.1 纹理贴图基本原理…139
6.5.2 纹理图像自动拼接…141
6.5.3 纹理图像去缝处理…143
6.6 神经辐射场重建…148
6.6.1 神经辐射场的基本原理…148
6.6.2 神经辐射场系列现状及发展…150
6.7 3D高斯溅射…153
6.8 案例：智能驾驶中的稠密点云重建…156
练习题…160
第7章 智能驾驶云端建图…162
7.1 行车场景的建图方案…162
7.1.1 高精地图概述…163
7.1.2 高精地图构建…165
7.1.3 重感知轻地图…167
7.1.4 矢量地图…168
7.2 行车场景的定位方案…170
7.2.1 基于地图的定位…170
7.2.2 轻地图中的定位…173
7.3 泊车场景的建图方案…175
7.4 泊车场景的定位方案…177
7.5 视觉建图与定位案例…178
7.5.1 行车场景…178
7.5.2 泊车场景…181
练习题…183
第8章 纯视觉四维标注…185
8.1 智能驾驶数据需求…185
8.1.1 智驾技术发展历程…185
8.1.2 智驾数据需求…187
8.2 静态场景四维标注…189
8.3 动态场景四维标注…195
8.4 通用障碍物四维标注…197
8.4.1 深度标注…197
8.4.2 占用标注…199
8.5 案例：人工与半自动标注平台案例…200
练习题…203
第9章 三维可视化…205
9.1 计算机图形学基础…205
9.1.1 光栅化…205
9.1.2 曲面转换…206
9.1.3 光线追踪…209
9.2 渲染管线…212
9.2.1 渲染管线原理…212
9.2.2 渲染管线编程…213
9.3 智能驾驶中的渲染元素…217
9.4 案例：智能驾驶中常用的渲染工具介绍…225
9.4.1 Webviz…225
9.4.2 Foxglove…226
练习题…228
第10章 自动驾驶仿真…230
10.1 传统仿真系统…230
10.1.1 物理引擎…231
10.1.2 决策规划…231
10.1.3 CARLA…232
10.2 基于深度学习的仿真系统…233
10.2.1 风格迁移…233
10.2.2 隐式表达…236
10.2.3 动态物体仿真…237
10.3 智能驾驶仿真系统样例…238
10.4 案例：大语言模型与端到端智能驾驶…239
练习题…243
附录 术语列表…245
参考文献…247
|
| 內容試閱：
|
“软件定义汽车”正在成为智能汽车的发展趋势。提升汽车智慧水平，离不开更高算力、更优算法和更好的数据。硬件预埋、软件迭代及OTA升级已成为越来越多车企的首选。在此过程中，数据是开发和升级智驾功能的重中之重。数据驱动下的创新为智能驾驶技术带来了巨大的发展潜力，也为个性化用户体验提供了更多可能。毫无疑问，经过标注的高质量、结构化数据已从过去的辅助角色逐渐转变为一个重要的价值创造者角色，而多维（包括三维重建加时间维度，后统称为“多维”）重建技术则是构建大规模、全自动、高质量数据标注引擎的核心，更是进行建图、仿真、测试、可视化及自动驾驶系统的关键技术。
从原理上讲，智能驾驶中的多维重建技术源自机器人导航，这是因为智能驾驶属于泛机器人领域，汽车是典型的“带着4个轮子的机器人”，智能驾驶技术旨在让机器人（或智能车）自主地在室内或室外环境中进行移动。在实际应用中，由于环境复杂、动态变化等原因，机器人导航一直是个难题。然而，通过三维重建技术，可以将机器人所处的环境进行数字化建模，从而提供给机器人更为准确的导航信息，进而衍生出了专门方向——即时定位与地图构建（Simultaneous Localization and Mapping，SLAM）。SLAM指搭载特定传感器主体，在没有环境先验信息的情况下，于运动过程中建立环境的模型，同时估计自己的运动。如果主要传感器为相机，则称之为“视觉SLAM”，用于解决“视觉定位”与“视觉建图”两个核心问题。对于智能驾驶来说，多维重建技术并未止步于上述功能，更延伸到四维标注（4D标注）、云端建图、三维（3D）可视化及虚拟仿真等核心模块。因此，有别于现有三维重建及SLAM相关书籍（专门介绍基础算法或针对机器人应用），本书详细介绍多维重建技术在智能驾驶领域的基础算法及相关应用。
在学术界，中国计算机学会（China Computer Federation，CCF）及中国自动化学会（Chinese Association of Automation，CAA）推荐的顶级期刊如IEEE T-PAMI（IEEE Transactions on Pattern Analysis and Machine Intelligence）及IEEE T-RO（IEEE Transactions on Robotics）中有越来越多的论文专门探讨面向智能驾驶的环境重建及感知技术。在部分高校，越来越多的学生与研究人员选择智驾场景下的多维重建作为自己的研究方向（如占用网络及鸟瞰视角等）。面向智能驾驶的多维重建任务具有数据量大、环境复杂、动静兼具、端云融合等特点，学习难度较大。特别是刚进入智驾行业的算法及数据工程师，不但需要快速掌握相关背景知识与开发技术，还要不断针对智驾场景进行算法适配及优化以提升效率，其中难度可想而知。
本书撰写的背景是在2020年6月，搭载地平线征程二代芯片及智能座舱解决方案的长安UNI-T实现了量产及热卖，使得UNI-T成为历史上第一款搭载国产AI芯片的智能汽车。在此基础上，地平线内部于2021年正式立项Halo 3.0，一方面打造基于地平线征程三代芯片的智能驾驶解决方案及定点，另一方面就是开放赋能。为此，项目团队核心成员在年初的几个月里，先后前往十多个城市密集访问了外资在内的各类主机厂（OEM）、一级供应商（Tier1）、二级供应商（Tier2）、数据及软件服务供应商、算法公司、芯片公司、相关研究院及高校，与其工程师、研发人员、设计人员、销售人员、实习生、教师及学生等面对面交流，听取一线的反馈与诉求。在沟通的过程中，我们发现除少部分人拥有两年以上智能驾驶工作经验外，大部分人员呈现出以下特点：①刚进入该领域；②对智能驾驶强相关的数据、算法、软硬架构等背景知识了解比较分散；③缺少成体系的培训课程与教材。他们还普遍反映目前网络上关于智能驾驶的知识比较分散，在深度与实操方面都比较薄弱，因此在实际工作中依然需要摸索着前进，会“踩很多坑”。为此，地平线联合苏州大学于2023年成立智能驾驶生态创新中心（BeeLab），邀请具有智能驾驶量产经验的一线工程师为本书作者或审稿人。他们从领域知识与实际经验出发，为本书带来面向智能驾驶的三维重建第一手资料，确保本书的读者不但可以掌握体系化的背景知识，还能学到各个开发环节的“干货”。
本书从智能驾驶与三维重建的关系出发，详述三维重建技术在智能驾驶中的使用场景、发展历程及基础概念（第1章），并体系化介绍面向智能驾驶的三维重建算法基础，包括特征点检测与匹配（第2章）、帧间运动估计（第3章）、运动恢复结构（第4章）、多视图稠密重建（第5章）及纹理表面重建（第6章）。在此基础上，依次展开介绍三维重建典型应用，包括云端建图（第7章）、纯视觉四维标注（第8章）、三维可视化（第9章）及自动驾驶仿真（第10章）。上述知识架构充分涵盖了面向智能驾驶的三维重建核心技术细节及实践经验，可以让读者充分了解全貌、深入细节并融会贯通。为加深理解，每章正文之后均有练习题。
感谢本书作者团队在每日忙碌的研发工作外为本书所作的贡献，章节具体分工如下：
第1章：刘浏、隋伟、杨聪。
第2章：张家馨、蒲粤川、隋伟、杨聪。
第3章：刘浏、汪庆杰、隋伟、杨聪。
第4章：刘浏、汪庆杰、隋伟、杨聪。
第5章：张家馨、隋伟、杨聪。
第6章：张家馨、梅若鸿、隋伟、杨聪。
第7章：刘浏、隋伟、杨聪。
第8章：张家馨、蔡颖锋、隋伟、杨聪。
第9章：隋伟、李兆玺、杨聪。
第10章：张家馨、梅若鸿、隋伟、杨聪。
为了确保本书质量，我们还成立了审稿委员会，具体名单如下：
程智锋、杨聪、隋伟、陈涛（注：因部分委员也为本书作者，这里采用交叉审稿）。
本书在编写过程中，得到了许多同事、专家及相关平台的帮助，包括但不限于：
1）东北师范大学李雁翎教授对本书大纲及内容的建议及意见。
2）苏州大学侯先豹及潘俊伟对本书课后练习题及术语列表的审阅与整理。
另外，本书编写过程中，我们还同步举行了在线课堂，以在线讲课与直播的方式将部分实践内容分享给我们曾访问过的各类企业。我们对这些课程进行了录像，与授课用的材料、代码一同上传到地平线开发者论坛（ />本书涉及知识点众多，错漏在所难免，还请广大读者批评指正，以便本书再版时参考。如有疑问，欢迎通过电子邮件与我们联系：yangcong955@126.com、wei.sui@horizon.cc
杨聪、隋伟
2025年2月10日
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
