自動駕駛汽車多傳感器數(shù)據(jù)融合技術(shù)

第1章　緒論001
1.1　自動駕駛汽車數(shù)據(jù)融合技術(shù)背景002
1.2　多傳感器數(shù)據(jù)融合技術(shù)應(yīng)用現(xiàn)狀007
1.2.1　軍事領(lǐng)域008
1.2.2　智能交通領(lǐng)域009
1.2.3　智能制造工業(yè)生產(chǎn)011
1.2.4　現(xiàn)代智能醫(yī)療012
1.3　數(shù)據(jù)融合技術(shù)的優(yōu)勢及發(fā)展013
1.3.1　多傳感器數(shù)據(jù)融合技術(shù)的優(yōu)缺點(diǎn)014
1.3.2　研究方向展望015
第2章　自動駕駛汽車多傳感器數(shù)據(jù)融合技術(shù)概述017
2.1　車用傳感器的類型與數(shù)據(jù)類型018
2.2　多傳感器數(shù)據(jù)融合技術(shù)的基本原理031
2.3　自動駕駛中數(shù)據(jù)融合需要解決的問題035
2.4　多傳感器數(shù)據(jù)融合的流程與級別042
2.4.1　特征提取方法042
2.4.2　特征選擇046
2.4.3　圖像特征及提取方法048
2.4.4　PCA算法051
2.4.5　特征融合052
第3章　多傳感器數(shù)據(jù)融合經(jīng)典算法介紹058
3.1　不同信息格式融合算法介紹059
3.1.1　激光雷達(dá)點(diǎn)云與攝像頭深度圖融合060
3.1.2　GPS＋I(xiàn)MU融合063
3.1.3　激光雷達(dá)與慣性導(dǎo)航系統(tǒng)融合065
3.1.4　SLAM技術(shù)070
3.2　貝葉斯估計(jì)法077
3.3　卡爾曼濾波法080
3.4　小波變換法與深度圖融合法086
3.5　遺傳算法103
3.6　人工神經(jīng)網(wǎng)絡(luò)114
第4章　多傳感器數(shù)據(jù)融合功能與結(jié)構(gòu)模型124
4.1　多傳感器數(shù)據(jù)融合的功能模型125
4.2　數(shù)據(jù)融合的檢測及結(jié)構(gòu)模型126
4.3　目標(biāo)識別融合結(jié)構(gòu)及分類133
4.4　數(shù)據(jù)融合的位置結(jié)構(gòu)模型及分類145
第5章　分布式檢測與數(shù)據(jù)融合153
5.1　數(shù)據(jù)融合的主要結(jié)構(gòu)與判決154
5.2　并行結(jié)構(gòu)與串行結(jié)構(gòu)的分布檢測159
5.3　數(shù)據(jù)融合的層次擴(kuò)展162
5.3.1　第一層融合163
5.3.2　第二層融合167
5.3.3　第三層融合167
5.4　數(shù)據(jù)融合系統(tǒng)的構(gòu)成（耦合）170
第6章　多傳感器數(shù)據(jù)融合技術(shù)在自動駕駛實(shí)際場景中的應(yīng)用177
6.1　行人及非機(jī)動車輛斑馬線通過場景178
6.2　交通指示信號燈處理場景184
6.2.1　基于視覺圖像識別184
6.2.2　基于V2X識別187
6.3　地下通道及林蔭路段通過場景190
6.4　緊急情況車輛讓行場景196
6.5　自動泊車場景199
參考文獻(xiàn)205