封面
前折页
书名页
版权
前言
第1章 智能汽车与传感器系统概述
 1.1 智能汽车技术框架与发展
  1.1.1 智能汽车的定义
  1.1.2 智能化分级
  1.1.3 智能汽车核心技术
  1.1.4 典型智能汽车应用场景
 1.2 智能汽车传感器系统
  1.2.1 传感器系统定义
  1.2.2 系统硬件架构
  1.2.3 关键性能指标
  1.2.4 数据处理流程
 1.3 传感器分类与关键技术
  1.3.1 传感器分类
  1.3.2 多源传感器融合方法
  1.3.3 标定与补偿技术
 1.4 技术挑战与发展趋势
  1.4.1 工程挑战
  1.4.2 技术瓶颈
  1.4.3 未来趋势
第2章 车载视觉传感技术
 2.1 典型视觉系统与工作原理
  2.1.1 单目视觉系统
  2.1.2 立体视觉系统
  2.1.3 环视/全景视觉系统
 2.2 图像处理流程
  2.2.1 图像采集与预处理
  2.2.2 图像特征提取
  2.2.3 图像分析与理解
 2.3 智能视觉处理算法
  2.3.1 传统视觉方法
  2.3.2 深度学习方法
 2.4 典型应用场景
  2.4.1 车道线检测与识别
  2.4.2 交通标志与信号灯识别
  2.4.3 车辆、行人及障碍物检测跟踪
 2.5 挑战与展望
  2.5.1 光照、天气等环境影响
  2.5.2 计算复杂度与实时性
  2.5.3 新兴技术
第3章 车载毫米波雷达传感技术
 3.1 系统组成与架构
  3.1.1 硬件系统组成
  3.1.2 软件处理架构
 3.2 信号处理与测量原理
  3.2.1 信号发射、接收与混频
  3.2.2 目标距离测量
  3.2.3 目标速度测量
  3.2.4 目标角度测量
 3.3 雷达杂波抑制与去噪
  3.3.1 雷达杂波与噪声
  3.3.2 杂波抑制
  3.3.3 恒虚警检测
  3.3.4 波束形成
 3.4 智能雷达检测与跟踪
  3.4.1 目标聚类算法
  3.4.2 目标检测算法
  3.4.3 目标跟踪算法
 3.5 典型应用场景
  3.5.1 障碍物检测
  3.5.2 ADAS集成
  3.5.3 4D成像雷达技术与应用
 3.6 挑战与展望
  3.6.1 分辨率提升与成本控制
  3.6.2 目标识别与分类能力
  3.6.3 干扰与互扰问题
第4章 车载激光雷达传感技术
 4.1 系统组成与架构
  4.1.1 硬件系统组成
  4.1.2 软件处理架构
 4.2 工作原理与系统分类
  4.2.1 激光测距原理
  4.2.2 扫描方式分类
  4.2.3 激光雷达作用距离与性能模型
 4.3 激光雷达信号处理流程
  4.3.1 回波信号接收与预处理
  4.3.2 回波信号降噪技术
 4.4 点云智能处理算法
  4.4.1 点云滤波与去噪
  4.4.2 点云特征提取与描述
  4.4.3 点云分割与目标提取
  4.4.4 点云配准与SLAM基础
  4.4.5 基于深度学习的点云处理
 4.5 三维感知与重建
  4.5.1 云三维可视化
  4.5.2 场景三维重建技术
 4.6 典型应用场景
  4.6.1 高精度障碍物检测与跟踪
  4.6.2 车道线与可行驶区域感知
  4.6.3 高精度地图构建与定位
  4.6.4 ADAS/ADS集成
 4.7 挑战与展望
  4.7.1 成本、可靠性与车规
  4.7.2 恶劣天气性能
  4.7.3 固态化与芯片化趋势
第5章 其他车载传感器技术
 5.1 超声波传感器
  5.1.1 系统组成与工作原理
  5.1.2 信号处理与测距算法
  5.1.3 性能特性与局限性
  5.1.4 典型应用场景：泊车辅助
 5.2 红外传感器
  5.2.1 系统组成与工作原理
  5.2.2 红外图像处理与目标识别
  5.2.3 技术优势与挑战
  5.2.4 典型应用场景：夜视、行人检测
 5.3 事件相机
  5.3.1 工作原理与数据特性
  5.3.2 事件数据处理流程
  5.3.3 事件处理算法
  5.3.4 典型应用场景
 5.4 车身状态传感器
  5.4.1 类别与功能
  5.4.2 关键传感器原理与信号处理
  5.4.3 状态估计与车辆动力学模型
  5.4.4 典型应用场景：车辆定位
 5.5V2X 与路侧感知
  5.5.1 V2X通信感知基础
  5.5.2 路侧感知单元技术
  5.5.3 车路协同感知数据融合
第6章 智能汽车传感器标定技术
 6.1 标定基础与模型
  6.1.1 传感器内参模型
  6.1.2 传感器外参模型
  6.1.3 经典标定方法
  6.1.4 自动驾驶标定规范
 6.2 单传感器标定技术
  6.2.1 相机内参标定
  6.2.2 激光雷达内参标定
  6.2.3 雷达天线阵列标定
 6.3 多传感器联合标定
  6.3.1 相机-激光雷达标定
  6.3.2 相机-毫米波雷达标定
  6.3.3 多模态传感器时空标定
 6.4 标定工具链与验证
  6.4.1 标定算法实现与优化
  6.4.2 标定工具与软件开发
  6.4.3 实车标定流程与精度验证
 6.5 前沿技术与挑战
  6.5.1 在线标定与自标定技术
  6.5.2 标定鲁棒性与退化处理
  6.5.3 无标定物/弱标定物方法
第7章 多传感器智能融合技术
 7.1 融合系统基础
  7.1.1 系统架构与融合层级
  7.1.2 融合的数学基础与模型
  7.1.3 时空同步与对齐技术
 7.2 经典融合算法
  7.2.1 概率滤波方法
  7.2.2 贝叶斯推理与D-S证据理论
 7.3 智能融合算法
  7.3.1 深度学习融合框架
  7.3.2 基于图神经网络的融合
  7.3.3 多模态Transformer融合
  7.3.4 联邦学习在融合中的应用
 7.4 融合系统评估与测试
  7.4.1 性能评价指标体系
  7.4.2 仿真与实车测试验证方法
 7.5 典型应用场景
  7.5.1 多传感器目标检测与跟踪
  7.5.2 多传感器紧耦合定位与SLAM
  7.5.3 环境理解与场景语义重建
  7.5.4 传感器冗余与失效容错
 7.6 挑战与展望
  7.6.1 异构传感器不确定性建模
  7.6.2 复杂场景下的鲁棒性
  7.6.3 计算效率与实时性
参考文献
后折页
封底