Разработка беспилотных транспортных средств, Шаошань Лю, Лиюнь Ли, Цзе Тан, 2022

Разработка беспилотных транспортных средств, Шаошань Лю, Лиюнь Ли, Цзе Тан, 2022.

   В книге представлен один из первых технических обзоров беспилотных транспортных средств (БТС), адресованных широкой аудитории компьютерных специалистов и инженеров, а также студентов технических вузов и всех, кто сталкивается с БТС на практике.
Авторы делятся практическим опытом разработки БТС - начиная с алгоритмов локализации, восприятия, планирования и контроля и заканчивая глубоким обучением моделей. Рассматриваются последние достижения в области управления БТС, а также практические примеры из реальной жизни, что позволит читателям эффективно применять полученные знания в коммерческих проектах.
В разделе «Преподавание и обучение» множество полезной информации, которая поможет использовать книгу как часть программы учебных курсов.




Распознавание и отслеживание объектов.
Первоначально для обнаружения и отслеживания объектов использовался лидар, поскольку он способен предоставлять точную информацию о глубине. В последние годы мы стали свидетелями быстрого развития технологии глубокого обучения, которая позволяет относительно точно обнаруживать и отслеживать объекты. Сверточная нейронная сеть (CNN - Convolution Neural Network) - это тип глубокой нейронной сети (DNN - Deep Neural Network), которая широко используется для распознавания объектов. CNN обычно состоит из нескольких слоев. (1) Сверточный слой, используя разные фильтры, извлекает различные признаки из образов входных данных. Каждый фильтр содержит набор «обучаемых» параметров. (2) Слой активации принимает решение об активации целевого нейрона. (3) Объединяющий слой уменьшает пространственный размер представления, чтобы уменьшить количество параметров и, следовательно, вычислений в сети. (4) Полностью подключенный слой характерен тем, что нейроны устанавливают полные связи с активированными нейронами предыдущего слоя.

Отслеживание объектов относится к автоматической оценке траектории объекта во время его движения. После того как отслеживаемый объект идентифицирован с использованием методов распознавания объектов, цель отслеживания объекта состоит в том, чтобы впоследствии автоматически отслеживать траекторию объекта. Такая технология может использоваться для отслеживания ближайших движущихся транспортных средств, а также людей, переходящих дорогу, чтобы предотвратить столкновение БА с ними. В последние годы методы глубокого обучения демонстрировали преимущества в отслеживании объектов в сравнении с традиционными методами. В частности, с помощью вспомогательных естественных изображений составной автокодировщик можно обучать в автономном режиме, что позволит изучить общие признаки изображения, которые более устойчивы к вариациям точек обзора и положениям транспортных средств. Затем автономную обученную модель можно применять для онлайн-трекинга.

ОГЛАВЛЕНИЕ.
Об авторах.
Предисловие от издательства.
Предисловие.
Предисловие ко второму изданию.
Глава 1. Знакомство с беспилотными технологиями.
1.1. Обзор технологий в составе БТС.
1.2. Алгоритмы БТС.
1.2.1. Сбор данных об окружающей среде (сенсорное сканирование).
1.2.2. Восприятие.
1.2.3. Распознавание и отслеживание объектов.
1.2.4. Действия.
1.3. Клиентская система БТС.
1.3.1. Операционная система для роботов (ROS).
1.3.2. Аппаратная платформа.
1.4. Облачная платформа БТС.
1.4.1. Симуляция.
1.4.2. Создание HD-карт.
1.5. Это только начало.
Глава 2. Локализация БТС.
2.1. Локализация с помощью спутниковых навигационных систем.
2.1.1. GNSS.
2.1.1. Анализ погрешностей GNSS.
2.1.3. Спутниковые системы дифференциальной коррекции.
2.1.4. Кинематический и дифференциальный режимы GPS.
2.1.5. Позиционирование высокой точности.
2.1.6. Интеграция GNSS и INS.
2.2. Локализация с помощью лидара и HD-карт.
2.2.1. Технология LiDAR.
2.2.2. HD-карты. Краткий обзор.
2.2.3. Локализация посредством лидара и HD-карт.
2.3. Визуальная одометрия.
2.3.1. Стереовизуальная одометрия.
2.3.2. Монокулярная визуальная одометрия.
2.3.3. Инерциальная визуальная одометрия.
2.4. Счисление координат и колесная одометрия.
2.4.1. Колесные энкодеры.
2.4.2. Погрешности колесной одометрии.
2.4.3. Минимизация погрешностей колесной одометрии.
2.5. Сбор и обобщение данных нескольких сенсоров.
2.5.1. Беспилотный автомобиль Boss для городских условий от Университета Карнеги–Меллона (CMU).
2.5.2. Беспилотный автомобиль Junior для городских условий от Стэнфордского университета.
2.5.3. Bertha от Mercedes Benz.
2.6. Справочные материалы.
Глава 3. Алгоритмы восприятия беспилотных технологий.
3.1. Введение.
3.2. Датасеты.
3.3. Обнаружение.
3.4. Сегментация.
3.5. Стереозрение, оптический поток, поток сцен.
3.5.1. Стереоскопия и глубина.
3.5.2. Оптический поток.
3.5.3. Поток сцен.
3.6. Отслеживание.
3.7. Заключение.
3.8. Справочные материалы.
Глава 4. Глубокое обучение в алгоритмах восприятия беспилотных технологий.
4.1. Сверточные нейронные сети.
4.2. Обнаружение.
4.3. Семантическая сегментация.
4.4. Стереозрение и оптический поток.
4.4.1. Стереозрение.
4.4.2. Оптический поток.
4.4.3. Обучение без учителя для плотного сопоставления изображений.
4.5. Заключение.
4.6. Справочные материалы.
Глава 5. Прогнозирование и маршрутизация.
5.1. Планирование и управление. Общие сведения.
5.1.1. Архитектура: планирование и управление в широком смысле.
5.1.2. Область ответственности каждого модуля: какие задачи решают модули.
5.2. Прогнозирование движения.
5.2.1. Поведенческое прогнозирование с точки зрения классификации объектов.
5.2.2. Генерация траектории транспортного средства.
5.3. Маршрутизация на основе полос движения.
5.3.1. Применение взвешенного ориентированного графа для задач маршрутизации.
5.3.2. Распространенные алгоритмы маршрутизации.
5.3.3. Стоимость графа маршрутизации: слабая или сильная маршрутизация.
5.4. Заключение.
5.5. Справочные материалы.
Глава 6. Принятие решений, планирование и управление.
6.1. Принятие поведенческих решений.
6.1.1. Подход с применением марковского процесса принятия решений.
6.1.2. Подход «разделяй и властвуй» на основе сценариев.
6.2. Планирование движения.
6.2.1. Модель транспортного средства, модель дороги и система координат SL.
6.2.2. Планирование движения на основе планирования пути и скорости.
6.2.3. Планирование движения посредством продольного и поперечного планирования.
6.3. Управление на основе обратной связи.
6.3.1. Модель «Велосипед».
6.3.2. ПИД-регулирование.
6.4. Заключение.
6.5. Справочные материалы.
Глава 7. Планирование и управление на основе обучения с подкреплением.
7.1. Введение.
7.2. Обучение с подкреплением.
7.2.1. Q-обучение.
7.2.2. Методы «субъект–критик».
7.3. Планирование и управление БА на основе алгоритмов с обучением.
7.3.1. Применение обучения с подкреплением на уровне принятия поведенческих решений.
7.3.2. Применение обучения с подкреплением на уровнях планирования и управления.
7.4. Заключение.
7.5. Справочные материалы.
Глава 8. Клиентские системы для беспилотных технологий.
8.1. Сложность системы беспилотного управления.
8.2. Операционная система для беспилотной технологии.
8.2.1. Обзор ROS.
8.2.2. Надежность системы.
8.2.3. Повышение производительности.
8.2.4. Управление ресурсами и безопасность.
8.3. Вычислительная платформа.
8.3.1. Реализация вычислительной платформы.
8.3.2. Существующие вычислительные решения.
8.3.3. Вопросы архитектуры вычислительной системы.
8.4. Справочные материалы.
Глава 9. Облачные платформы для беспилотных технологий.
9.1. Введение.
9.2. Инфраструктура.
9.2.1. Структура распределенных вычислений.
9.2.2. Распределенное хранение.
9.2.3. Гетерогенные вычисления.
9.3. Симуляция.
9.3.1. BinPipeRDD.
9.3.2. Объединение Spark и ROS.
9.3.3. Производительность.
9.4. Обучение модели.
9.4.1. Почему именно Spark?.
9.4.2. Архитектура обучающей платформы.
9.4.3. Гетерогенные вычисления.
9.5. Создание HD-карт.
9.5.1. HD-карты.
9.5.2. Создание карт в облаке.
9.6. Заключение.
9.7. Справочные материалы.
Глава 10. Беспилотная доставка «до двери» в сложных дорожных условиях.
10.1. Предыстория и предпосылки.
10.2. Технологии беспилотной доставки в сложных дорожных условиях.
10.3. JD.com: решение с использованием беспилотных технологий.
10.3.1. Архитектура беспилотных технологий.
10.3.2. Локализация и HD-карты.
10.3.3. Восприятие.
10.3.4. Прогнозирование, принятие решений и планирование движения.
10.4. Стратегии защиты и обеспечения безопасности.
10.4.1. Проверка в симуляции.
10.4.2. Мониторинг на стороне транспортного средства.
10.4.3. Удаленный мониторинг.
10.5. Развертывание в производственной среде.
10.6. Полученные уроки.
10.7. Справочные материалы.
Глава 11. Беспилотные транспортные средства от PerceptIn.
11.1. Введение.
11.2. Дорогостоящие технологии.
11.2.1. Сенсорное сканирование.
11.2.2. Локализация.
11.2.3. Восприятие.
11.2.4. Принятие решений.
11.2.5. Создание и обслуживание HD-карт.
11.2.6. Интеграция системы.
11.3. Достижение ценовой доступности и надежности.
11.3.1. Сбор и обобщение данных нескольких сенсоров.
11.3.2. Модульная конструкция.
11.3.3. Высокоточные визуальные карты.
11.4. Развертывание сети беспилотных низкоскоростных электромобилей (LSEV) для предоставления услуг.
11.5. Выводы.
11.6. Справочные материалы.
Применение этой книги в преподавании и обучении.
1. Введение.
2. Существующие учебные курсы по управлению БТС.
3. Модульный и интегрированный подход к обучению.
3.1. Методика преподавания.
3.2. Учебные материалы к модулям.
3.3. Интеграционные экспериментальные платформы.
4. Пилотные тематические курсы.
4.1. Введение в курс БТС.
4.2. Изучение БТС как дополнение курса о встроенных системах.
4.3. Курс профессиональной подготовки.
5. Заключение.
Справочные материалы.
Предметный указатель.

Купить .





Теги: учебник по информатике :: информатика :: компьютеры :: Шаошань Лю :: Лиюнь Ли :: Цзе Тан :: беспилотная технология