数据驱动的智能驾驶

第 1章 智能驾驶系统的基本情况1
1．1 智能驾驶的“第 一性原理”1
1．2 智能驾驶的历史与展望3
1．3 智能驾驶汽车研发的关键路径4
1．4 智能驾驶汽车研发的核心困境7
第 2章 智能驾驶汽车的架构革命11
2．1 对架构的基本理解11
2．2 整车架构设计13
2．2．1 传统整车架构及其
问题13
2．2．2 汽车电气化的发展16
2．2．3 整车平台架构构建18
2．3 电子电气架构设计20
2．3．1 电子电气架构的发展
趋势20
2．3．2 电子电气架构的底层
硬件构建22
2．3．3 诊断与刷写服务24
2．3．4 FOTA更新服务26
2．3．5 时间同步服务28
2．4 终端架构设计30
2．4．1 计算机终端运行的基本
原理30
2．4．2 车端控制器终端32
2．4．3 云端计算集群34
2．5 通信架构设计36
2．5．1 OSI参考模型与智能
驾驶通信应用36
2．5．2 面向信号的CAN通信38
2．5．3 面向服务的以太网
通信40
2．5．4 通信与计算的匹配
关系43
2．5．5 对通信的深层理解46
2．6 软件架构设计50
2．6．1 智能驾驶的理论基础50
2．6．2 基础理论下的软件架构
展开54
2．6．3 分层闭环架构与
上下行56
2．7 人工智能算法体系59
2．7．1 归纳思维与演绎思维59
2．7．2 规则驱动算法与数据
驱动算法60
2．7．3 智能体对可解释性的
处理62
2．7．4 智能体对不确定性的
处理64
2．8 AI之下再谈软件与算法架构67
2．8．1 智能体的软件整体
结构67
2．8．2 分层级联的可控性
设计69
2．8．3 数据驱动的可迭代
设计71
2．8．4 算法与各层次架构的
映射关系73
2．9 研发体系的架构设计76
2．9．1 流程的概念和转变76
2．9．2 整车研发流程的升级79
2．9．3 流程的融合与团队的
融合81
第3章 智能驾驶的交互系统85
3．1 传感器与智能驾驶系统的
关系85
3．2 感知类传感器87
3．2．1 超声波雷达87
3．2．2 毫米波雷达89
3．2．3 激光雷达90
3．2．4 光学摄像头92
3．3 网联类传感器93
3．3．1 GPS全球定位系统93
3．3．2 惯性导航传感器95
3．3．3 地图（V2X）传感器97
3．4 传感器的组合与排布99
3．5 线控执行器100
3．5．1 线控转向系统100
3．5．2 线控制动系统101
3．5．3 三电系统103
3．6 人机交互设备104
第4章 智能驾驶的处理系统107
4．1 域控制器的软硬件一体设计107
4．2 智能驾驶芯片108
4．2．1 芯片的基本概念108
4．2．2 智能驾驶芯片的分类110
4．3 操作系统与中间件113
4．3．1 操作系统的概念113
4．3．2 中间件的概念116
4．3．3 软件的底层运行
框架117
4．4 业务层模型120
4．4．1 坐标系120
4．4．2 时空同步123
4．4．3 环境模型接口124
4．5 典型案例：算法稳定性设计128
第5章 智能驾驶的车端软件算法130
5．1 语义感知层130
5．1．1 环境感知的基础与
延伸任务130
5．1．2 感知特征提取的典型
策略134
5．1．3 感知特征提取的进阶
策略136
5．1．4 复杂环境感知模型的
核心结构139
5．2 融合与预测层141
5．2．1 传统融合算法的基本
概念142
5．2．2 传统融合算法的原理及
应用143
5．2．3 多模态融合预测与各型
嵌入表征146
5．2．4 从循环网络、记忆网络
到注意力网络149
5．2．5 基于生成对抗网络的
信息联想和补全152
5．2．6 “可微分”的智能驾驶
系统156
5．3 规划与控制层159
5．3．1 分层规划控制算法的
构成159
5．3．2 规划的时间一致性与
变更过程161
5．3．3 全局规划与场景状态
切换164
5．3．4 运动规划之决策168
5．3．5 运动规划之优化171
5．3．6 前馈-反馈控制与车辆
模型173
第6章 智能驾驶数据闭环平台178
6．1 底层云服务架构178
6．1．1 云存储与云计算
概述178
6．1．2 微服务架构概述182
6．1．3 云端数据应用的交互
过程184
6．1．4 数据应用开发的
新模式185
6．2 数据管道构建起来的智能驾驶
大脑186
6．3 功能研发的流程189
6．3．1 DevOps与敏捷开发
概述189
6．3．2 传统开发与敏捷开发的
配合191
6．3．3 智能驾驶开发数据
管道的设计195
6．3．4 智能驾驶测试数据
管道的设计199
6．4 车云闭环流程206
6．4．1 车云闭环过程概述206
6．4．2 数据筛选与影子模式209
6．4．3 车云数据记录和整理210
第7章 数据处理自动化—机器的
流程213
7．1 深度学习训练的自动化213
7．1．1 智能驾驶业务推进学习
系统演进213
7．1．2 传统深度学习系统的
构成216
7．1．3 自监督学习系统的构成218
7．1．4 可训练构件的
“工具箱”220
7．2 众包地图223
7．2．1 地图的基本概念223
7．2．2 高精度地图与众包
地图的差异225
7．2．3 地图加偏对业务的
影响227
7．2．4 众包地图闭环数据流229
7．3 规划仿真230
7．3．1 规划仿真与强化学习230
7．3．2 场景库的数据驱动
方法232
7．3．3 规划训练的闭环
数据流233
7．4 弱监督训练235
7．4．1 弱监督学习的概念和
重点235
7．4．2 弱监督在自监督框架
中的定位238
7．4．3 规则驱动的真值系统239
7．4．4 低维流形与对比学习241
7．4．5 GAN与域适应244
7．4．6 模型压缩与蒸馏学习246
7．5 数据管道的两种典型风格248
第8章 智能驾驶汽车的研发体系—人的流程252
8．1 从个人视角看研发流程全貌252
8．2 整车开发流程255
8．2．1 整车开发流程概述255
8．2．2 整车开发流程的关键
结构256
8．2．3 整车项目管理261
8．2．4 整车需求定义与分解264
8．2．5 造型、产品工程与
制造266
8．2．6 零部件采购流程268
8．2．7 质量保障体系271
8．3 智能驾驶系统的指标体系276
8．3．1 系统功能边界的定义276
8．3．2 层次设计的分解与
量化278
8．3．3 可靠性与健壮性280
8．3．4 方差与偏差283
8．4 智能汽车文化285
8．4．1 文化宣贯与产品力285
8．4．2 质量文化286
8．4．3 安全文化287
8．4．4 敏捷文化290
8．4．5 敏感数据的保护291
8．5 混合思维下的研发策略292
第9章 新时代背景下的行业与
从业者295
9．1 时代趋势之下的从业者295
9．2 变革对用户的影响296
9．2．1 用户的需求层次上移296
9．2．2 用户为软件付费298
9．2．3 智能驾驶系统的用户
体验差异299
9．3 变革对行业的影响300
9．3．1 产业链与核心竞争力300
9．3．2 时代的主旋律与发展的
“轮回”302
9．3．3 市场与营运策略的
变化303
9．3．4 汽车成为智慧城市的
核心节点304
9．4 变革对从业者的影响305
9．4．1 产品复杂性与人力
资源的关系305
9．4．2 复合知识体系的意义306
9．4．3 构建高效知识体系的
方法推荐307
9．4．4 给新入行的朋友一些
建议308
后记311