1) Coautorado por especialistas práticos na área de carros inteligentes, aprenda BEV completamente de uma só vez e alcance implementação e inovação rápidas 2) Tomando a tecnologia convencional de BEV e a prática de engenharia como linha principal, analise e introduza sistematicamente os princípios básicos, as principais tecnologias e os métodos de implementação em nível de código-fonte dos algoritmos BEV e domine a arquitetura geral e os conceitos de design dos sistemas de percepção de direção autônoma 3) Fácil para iniciantes, combinando teoria com prática, altamente recomendado por muitos especialistas do setor

●Prefácio
Capítulo 1 Uma rápida olhada nos algoritmos de percepção BEV 1
1.1 Problemas resolvidos por algoritmos de percepção BEV 1
1.2 Paradigmas comuns de algoritmos de percepção BEV7
1.3 Classificação dos algoritmos de percepção BEV 9
1.3.1 Métodos baseados em homografia9
1.3.2 Métodos baseados na estimativa de profundidade10
1.3.3 Métodos baseados em perceptron multicamadas 12
1.3.4 Métodos baseados em transformadores 13
1.4 Deficiências dos algoritmos de percepção BEV 14
1.5 Resumo do Capítulo 16
Capítulo 2 Conjuntos de dados para algoritmos de percepção BEV 17
2.1 Conjunto de dados KITTI 18
2.2 Conjunto de dados nuScenes 25
2.3 Indicadores comuns de avaliação e métodos de cálculo do conjunto de dados nuScenes 39
2.3.1 Fórmula de cálculo do índice de avaliação da tarefa de detecção 40
2.3.2 Fórmula de cálculo para o índice de avaliação da tarefa de rastreamento 42
2.3.3 Fórmulas de cálculo para outros indicadores auxiliares 42
2.4 Conjunto de dados Waymo 46
2.5 Comparação entre diferentes conjuntos de dados 47
2.6 Resumo do Capítulo 48
Capítulo 3 Extração de Características do Algoritmo de Percepção BEV 49
3.1 Modalidade de Imagem 49
3.1.1 Parâmetros internos e externos da câmera 49
3.1.2 Extração de características de imagem e princípio ResNet 54
3.2 Algoritmos representativos para detecção de alvos de nuvem de pontos na modalidade LiDAR 55
3.2.1 Algoritmo PointPillar 55
3.2.2 Algoritmo PV-RCNN 58
3.3 Resumo do Capítulo 61
Capítulo 4 Módulos básicos de algoritmos de percepção BEV 62
4.1 Módulo de Conversão de Ponto de Vista 62
4.1.1 Sistemas de Coordenadas na Direção Autônoma 63
4.1.2 Módulo de conversão de sistema de coordenadas e conversão de perspectiva 65
4.1.3 Princípios LSS 69
4.1.4 Implementação do código LSS e operação do modelo 71
4.2 Mecanismo de Atenção no Algoritmo de Percepção BEV 82
4.2.1 Mecanismo de Atenção do Canal 82
4.2.2 Mecanismo de Atenção Espacial 83
4.2.3 Mecanismo de Atenção Híbrido 83
4.2.4 Fusão de tempo em algoritmos de percepção BEV 83
4.3 Resumo do Capítulo 86
Capítulo 5 Algoritmo de Percepção BEV com Transformação Explícita de Ponto de Vista 87
5.1 Algoritmo de Percepção BEV com Transformação Explícita de Ponto de Vista Baseado no Método LSS 89
5.1.1 BEVDet89
5.1.2 BEVDet4D91
5.2 Processo de conversão de ponto de vista no BEVDet 91
5.3 Alinhamento de tempo em BEVDet4D 93
5.4 Resumo do Capítulo 94
Capítulo 6 Algoritmo de Percepção BEV com Transformação Implícita de Ponto de Vista 95
6.1 Métodos tradicionais de detecção de alvos e métodos DETR 95
6.1.1 Limitações dos métodos tradicionais de detecção de objetos 96
6.1.2 Vantagens dos métodos do tipo DETR 97
6.2 Principais algoritmos de percepção BEV com transformação implícita de ponto de vista 98
6.2.1 BEVFormer98
6.2.2 DETR3D102
6.2.3 PETR103
6.3 Processo de cálculo DETR3D 106
6.3.1 Extração de características de imagem 106
6.3.2 Módulo de Consulta de Recursos 107
6.3.3 Correspondência de grafos bipartidos 108
6.3.4 Diferenças e semelhanças entre DETR e DETR3D 108
6.4 As principais diferenças entre conversões implícitas DETR, DETR3D e PETR 109
6.5 Resumo do Capítulo 110
Capítulo 7 BEVFusion Prática 111
7.1 Explicação detalhada do princípio 111
7.1.1 Arquitetura de Rede 112
7.1.2 Ramificação de imagem 113
7.1.3 Ramificação da nuvem de pontos 114
7.1.4 Módulo de Fusão 115
7.2 Detalhe do código 116
7.2.1 Processamento de conjunto de dados nuScenes 116
7.2.2 Processo de Treinamento do Modelo 131
7.3 Construção Ambiental 149
7.3.1 Construindo o ambiente PyTorch 149
7.3.2 Instalando BEVFusion150
7.3.3 Compilando o ambiente BEVFusion 151
7.3.4 Treinamento e Teste BEVFusion152
7.4 Resumo do Capítulo 153
Capítulo 8 BEV Prática Anterior 154
8.1 Detalhe do código 154
8.1.1 Processamento de Dados 155
8.1.2 Processo de Treinamento do Modelo 156
8.2 Construção Ambiental 190
8.2.1 Criando um Ambiente Virtual 208
8.2.2 Instalando BEVFormer191
8.3 Implantação do modelo 192
8.4 Resumo do Capítulo 192
Capítulo 9 Aplicação de Grandes Modelos em Direção Autônoma 193
9.1 Sistema de direção autônoma de ponta a ponta UniAD194
9.1.1 Histórico do UniAD 194
9.1.2 Arquitetura UniAD 196
9.2 Habilitando a produção de dados de direção autônoma e o treinamento de modelos 197
9.2.1 Dados de anotação auxiliares 198
9.2.2 A destilação de modelos capacita modelos pequenos 200
9.2.3 Combinando vários modelos pequenos em um modelo grande 201
9.2.4 Reconstrução e geração de dados para direção autônoma 201
9.3 Dificuldades de Grandes Modelos Visuais 202
9.3.1 Razões para o desenvolvimento relativamente atrasado de grandes modelos visuais 202
9.3.2 Desafios técnicos e dificuldades práticas de grandes modelos visuais 203
9.4 Resumo do Capítulo 204

Este livro, coescrito por especialistas práticos na área de carros inteligentes, ajudará você a aprender sobre veículos elétricos a bateria de uma só vez, para que possa implementar e inovar rapidamente. Em termos de design de conteúdo, este livro se concentra na tecnologia e na prática de engenharia tradicionais para veículos elétricos a bateria, analisando e apresentando sistematicamente os princípios básicos, as principais tecnologias e os métodos de implementação em nível de código-fonte dos algoritmos de veículos elétricos a bateria, ajudando você a dominar a arquitetura geral e os conceitos de design dos sistemas de percepção de direção autônoma.
Este livro tem 9 capítulos. O Capítulo 1 apresenta os principais conceitos e a estrutura do algoritmo de percepção BEV, enfatizando suas vantagens e desafios exclusivos. O Capítulo 2 fornece uma visão geral dos principais conjuntos de dados, como KITTI, nuScenes e Waymo, e explica as métricas para avaliar o desempenho do algoritmo. O Capítulo 3 fornece uma introdução aprofundada às técnicas de extração de características, abrangendo métodos de extração para imagens e dados lidar. O Capítulo 4 explora a aplicação de conversão de perspectiva, mecanismo de atenção e Transformer em algoritmos de percepção BEV. Os Capítulos 5 e 6 explicam algoritmos de percepção BEV sob conversão de perspectiva explícita e implícita, como a série BEVDet e BEVFormer, respectivamente. Os Capítulos 7 e 8 apresentam o processo de implementação de algoritmos de percepção BEV por meio de exemplos. O Capítulo 9 discute a aplicação de grandes modelos no campo da direção autônoma e os desafios que eles enfrentam.