包邮自动驾驶BEV感知算法指南

前　言第1章　快速了解BEV感知算法1　1.1　BEV感知算法解决的问题1　1.2　BEV感知算法的常见范式7　1.3　BEV感知算法的分类91.3.1　基于单应性的方法91.3.2　基于深度估计的方法101.3.3　基于多层感知器的方法121.3.4　基于Transformer的方法13　1.4　BEV感知算法的不足14　1.5　本章小结16第2章　BEV感知算法的数据集17　2.1　KITTI数据集18　2.2　nuScenes数据集25前　言第1章　快速了解BEV感知算法1　1.1　BEV感知算法解决的问题1　1.2　BEV感知算法的常见范式7　1.3　BEV感知算法的分类91.3.1　基于单应性的方法91.3.2　基于深度估计的方法101.3.3　基于多层感知器的方法121.3.4　基于Transformer的方法13　1.4　BEV感知算法的不足14　1.5　本章小结16第2章　BEV感知算法的数据集17　2.1　KITTI数据集18　2.2　nuScenes数据集25　2.3　nuScenes数据集常用的评测指标及计算方法392.3.1　检测任务评测指标计算公式402.3.2　跟踪任务评测指标计算公式422.3.3　其他辅助指标计算公式42　2.4　Waymo数据集46　2.5　不同数据集之间的对比47　2.6　本章小结48第3章　BEV感知算法的特征提取49　3.1　图像模态493.1.1　相机的内外参数493.1.2　图像特征提取和ResNet原理54　3.2　激光雷达模态中点云目标检测的代表算法553.2.1　PointPillar算法553.2.2　PV-RCNN算法58　3.3　本章小结61第4章　BEV感知算法的基本模块62　4.1　视角转换模块624.1.1　自动驾驶中的坐标系634.1.2　坐标系转换与视角转换模块654.1.3　LSS原理694.1.4　LSS代码实现与模型运行71　4.2　BEV感知算法中的注意力机制824.2.1　通道注意力机制824.2.2　空间注意力机制834.2.3　混合注意力机制834.2.4　BEV感知算法中的时序融合83　4.3　本章小结86第5章　显式视角转换的BEV感知算法87　5.1　基于LSS方法的显式视角转换的BEV感知算法895.1.1　BEVDet895.1.2　BEVDet4D91　5.2　BEVDet中的视角转换过程91　5.3　BEVDet4D中的时序对齐93　5.4　本章小结94第6章　隐式视角转换的BEV感知算法95　6.1　传统目标检测方法与DETR类方法956.1.1　传统目标检测方法的局限性966.1.2　DETR类方法的优点97　6.2　主要的隐式视角转换的BEV感知算法986.2.1　BEVFormer986.2.2　DETR3D1026.2.3　PETR103　6.3　DETR3D计算过程1066.3.1　图像特征提取1066.3.2　特征查询模块1076.3.3　二分图匹配1086.3.4　DETR和DETR3D的异同108　6.4　隐式转换DETR、DETR3D和PETR的主要差别109　6.5　本章小结110第7章　BEVFusion实践111　7.1　原理详解1117.1.1　网络架构1127.1.2　图像支路1137.1.3　点云支路1147.1.4　融合模块115　7.2　代码详解1167.2.1　nuScenes数据集处理1167.2.2　模型训练过程131　7.3　环境搭建1497.3.1　搭建PyTorch环境1497.3.2　安装BEVFusion1507.3.3　编译BEVFusion环境1517.3.4　训练和测试BEVFusion152　7.4　本章小结153第8章　BEVFormer实践154　8.1　代码详解1548.1.1　数据处理1558.1.2　模型训练过程156　8.2　环境搭建1908.2.1　创建虚拟环境1908.2.2　安装BEVFormer191　8.3　模型部署192　8.4　本章小结192第9章　大模型在自动驾驶领域的应用193　9.1　端到端的自动驾驶系统UniAD1949.1.1　UniAD的提出背景1949.1.2　UniAD架构196　9.2　赋能自动驾驶数据生产和模型训练1979.2.1　辅助标注数据1989.2.2　模型蒸馏给小模型赋能2009.2.3　将多个小模型合并成大模型2019.2.4　自动驾驶的重建和数据生成201　9.3　视觉大模型的难点2029.3.1　视觉大模型发展相对落后的原因2029.3.2　视觉大模型的技术挑战与实践难点203　9.4　本章小结204