自动驾驶算法与芯片设计

13.5.4 欧洲——广泛支持

13.5.3 美国——增长势头

13.5.2 澳大利亚——改善道路安全

13.5.1 中国引领潮流

13.5 C-V2X部署计划

13.4.3 5G如何改变C-V2X

13.4.2 网络通信

13.4.1 直接通信

13.4 C-V2X的工作原理

13.3 C-V2X的优势

13.2.8 越来越多的自动驾驶

13.2.7 危险提前警告

13.2.6 支持应急服务

13.2.5 保护弱势道路使用者

13.2.4 队列警告

13.2.3 协作驾驶

13.2.2 车队行驶

13.2.1 避免碰撞

13.2 C-V2X如何改变驾驶

13.1 移动车联网

第13章 5G C-V2X简介

参考文献

12.4.4 自动驾驶测试报告

12.4.3 数据传输模块

12.4.2 软件系统架构

12.4.1 硬件框架

12.4 自动驾驶汽车的架构设计与实现

12.3.2 AUTOSAR

12.3.1 功能组件

12.3 基于SAE J3016的组件架构设计

12.2.6 软件单元测试

12.2.5 软件单元设计与实现

12.2.4 软件架构设计

12.2.3 ASIL

12.2.2 Synopsys软件产品组合

12.2.1 ISO 26262简介

12.2 基于ISO 26262的软件开发

12.1 概述

第12章 自动驾驶软件架构

11.5 总结

11.4.4 NVIDIA DriveWorks SDK

11.4.3 Integrity RTOS

11.4.2 EB robinos和EB corbos

11.4.1 BlackBerry QNX

11.4 汽车硬实时操作系统和框架

11.3.6 Perrone Robotics

11.3.5 PolySync

11.3.4 Tier IV

11.3.3 Voyage

11.3.2 宝马

11.3.1 百度

11.3 使用开源软件开发自动驾驶技术的公司

11.2.2 ROS中间件

11.2.1 Linux RTOS

11.2 开源自动驾驶操作系统

11.1 概述

第11章 自动驾驶操作系统

参考文献

10.5.4 性能分析

10.5.3 NVDLA集成

10.5.2 FireSim

10.5.1 NVDLA介绍

10.5 实例：NVIDIA深度学习加速器

10.4.3 具有安全BIST控制器的ISP

10.4.2 DNN加速器

10.4.1 ADAS图像识别SoC

10.4 具有DNN和ISP的符合安全标准的多核SoC设计

10.3.3 安全应用部署

10.3.2 软件功能安全

10.3.1 功能安全

10.3 Jacinto 7处理器的功能安全特性

10.2 TI的Jacinto SoC平台

10.1 自动驾驶SoC设计流程

第10章 自动驾驶SoC设计

参考文献

9.7 DNN硬件的指标

9.6.4 传感器

9.6.3 非易失性电阻存储器

9.6.2 SRAM

9.6.1 DRAM

9.6 近内存计算

9.5.5 软件架构

9.5.4 TPU v2/v3

9.5.3 TPU的心脏：脉动阵列

9.5.2 TPU指令集

9.5.1 TPU v1

9.5 谷歌的TPU芯片

9.4.3 Eyeriss v2

9.4.2 Eyeriss

9.4.1 卷积神经网络基本知识

9.4 麻省理工学院的Eyeriss系列

9.3.4 寒武纪Cambricon-X

9.3.3 ShiDianNao

9.3.2 DaDianNao

9.3.1 卷积神经网络简介

9.3 中科院计算所的深度学习芯片系列

9.2 在CPU和GPU平台上加速内核计算

9.1 概述

第9章 深度学习芯片设计

参考文献

8.3 未来研究展望

8.2.2 通过合作推进AI模型效率的研究

8.2.1 大规模节能AI

8.2 AI模型效率工具包

8.1.4 知识蒸馏

8.1.3 转移/紧凑卷积滤波器

8.1.2 低秩分解

8.1.1 参数修剪和共享

8.1 模型压缩和加速

第8章 深度学习模型优化

7.8 Synopsys

7.7 Xilinx Zynq-7000

7.6 NXP

7.5 Qualcomm

7.4.3 Jacinto TDA4VM SoC

7.4.2 使用Jacinto TDA4VM处理器系列应对环视和自动停车的挑战

7.4.1 自动停车与停车辅助系统

7.4 实战项目：360度环景系统与自动停车系统

7.3 TI Jacinto TDAx

7.2.2 NVIDIA DRIVE软件

7.2.1 NVIDIA DRIVE AGX开发者套件

7.2 NVIDIA

7.1 Mobileye EyeQ

第7章 自动驾驶芯片

参考文献

6.2.2 使用CARLA评估自动驾驶方法

6.2.1 仿真引擎

6.2 仿真器实战：CARLA

6.1.5 Deep Traffic

6.1.4 Udacity AV Simulator

6.1.3 CARLA

6.1.2 Apollo

6.1.1 AirSim

6.1 最新的仿真器

第6章 自动驾驶仿真器

参考文献

5.4.2 语义地图模型

5.4.1 公制地图模型

5.4 自动驾驶中的地图表示

5.3.4 利用当前地图资源

5.3.3 建立和使用未来地图

5.3.2 先前构建的地图中的定位

5.3.1 重新定位和回环检测

5.3 自动驾驶中的SLAM

5.2.3 自动驾驶SLAM的评估标准

5.2.2 避免或减少漂移的影响

5.2.1 问题的提出

5.2 自主驾驶的局限性

5.1.2 基于优化的SLAM方法

5.1.1 基于滤波器的SLAM方法

5.1 SLAM问题

第5章 定位与建图

参考文献

4.4.5 基于学习的方法

4.4.4 部分可观察的马尔可夫决策过程

4.4.3 概率方法

4.4.2 博弈论方法

4.4.1 合作与互动

4.4 交互行为感知和规划

实战项目：NVIDIA的端到端自动驾驶

4.3 集成感知和规划

4.2.9 实例：PID控制

4.2.8 实例：模型预测控制

4.2.7 车辆控制

4.2.6 实例：运动规划

4.2.5 运动规划

4.2.4 行为决策

4.2.3 实例：路径规划A*算法

4.2.2 实例：路径规划Dijkstra算法

4.2.1 路径规划

4.2 传统自动驾驶的规划和决策层

4.1 概述

第4章 运动规划和控制

参考文献

3.7.9 测试部分

3.7.8 实验结果

3.7.7 后处理方法

3.7.6 损失函数

3.7.5 下采样瓶颈层和上采样瓶颈层

3.7.4 相同瓶颈层

3.7.3 调整大小层

3.7.2 车道点实例网络

3.7.1 概述

3.7 实战项目：车道检测

3.6.4 评估指标

3.6.3 在线评估

3.6.2 离线评估

3.6.1 车道检测系统性能的影响因素

3.6 车道检测系统评估标准

3.5 多传感器集成方案

3.4 基于深度学习

3.3.2 用Python实现直线拟合

3.3.1 算法思路

3.3 实例：RANSAC算法及直线拟合

3.2.2 OpenCV车道检测

3.2.1 霍夫变换

3.2 实例：基于霍夫变换的车道检测

3.1 传统图像处理

第3章 车道检测

参考文献

2.5 未来研究展望

2.4.11 3D对象检测

2.4.10 鸟瞰检测

2.4.9 训练细节

2.4.8 实验结果

2.4.7 损失函数的构建

2.4.6 复角度回归

2.4.5 锚盒设计

2.4.4 欧拉区域提议

2.4.3 网络结构

2.4.2 点云预处理

2.4.1 算法概述

2.4 实战项目：3D物体检测

2.3.3 基于融合的检测方法

2.3.2 基于点云的检测方法

2.3.1 基于单目图像的检测方法

2.3 3D物体检测方法

2.2 数据集

2.1.2 激光雷达

2.1.1 摄像机

2.1 传感器

第2章 3D物体检测

参考文献

1.4.4 ASIC

1.4.3 FPGA

1.4.2 DSP

1.4.1 GPU

1.4 自动驾驶系统计算平台

1.3.4 安全验证与测试

1.3.3 控制

1.3.2 决策

1.3.1 感知

1.3 自动驾驶系统算法设计

1.2.5 功率约束

1.2.4 热量约束

1.2.3 存储限制

1.2.2 可预测性约束

1.2.1 功能约束

1.2 自动驾驶设计的挑战

1.1 自动驾驶科技界现状

第1章 自动驾驶芯片的挑战

前言

内容简介

作者简介

版权信息

封面

封面

版权信息

作者简介

内容简介

前言

第1章 自动驾驶芯片的挑战

1.1 自动驾驶科技界现状

1.2 自动驾驶设计的挑战

1.2.1 功能约束

1.2.2 可预测性约束

1.2.3 存储限制

1.2.4 热量约束

1.2.5 功率约束

1.3 自动驾驶系统算法设计

1.3.1 感知

1.3.2 决策

1.3.3 控制

1.3.4 安全验证与测试

1.4 自动驾驶系统计算平台

1.4.1 GPU

1.4.2 DSP

1.4.3 FPGA

1.4.4 ASIC

参考文献

第2章 3D物体检测

2.1 传感器

2.1.1 摄像机

2.1.2 激光雷达

2.2 数据集

2.3 3D物体检测方法

2.3.1 基于单目图像的检测方法

2.3.2 基于点云的检测方法

2.3.3 基于融合的检测方法

2.4 实战项目：3D物体检测

2.4.1 算法概述

2.4.2 点云预处理

2.4.3 网络结构

2.4.4 欧拉区域提议

2.4.5 锚盒设计

2.4.6 复角度回归

2.4.7 损失函数的构建

2.4.8 实验结果

2.4.9 训练细节

2.4.10 鸟瞰检测

2.4.11 3D对象检测

2.5 未来研究展望

参考文献

第3章 车道检测

3.1 传统图像处理

3.2 实例：基于霍夫变换的车道检测

3.2.1 霍夫变换

3.2.2 OpenCV车道检测

3.3 实例：RANSAC算法及直线拟合

3.3.1 算法思路

3.3.2 用Python实现直线拟合

3.4 基于深度学习

3.5 多传感器集成方案

3.6 车道检测系统评估标准

3.6.1 车道检测系统性能的影响因素

3.6.2 离线评估

3.6.3 在线评估

3.6.4 评估指标

3.7 实战项目：车道检测

3.7.1 概述

3.7.2 车道点实例网络

3.7.3 调整大小层

3.7.4 相同瓶颈层

3.7.5 下采样瓶颈层和上采样瓶颈层

3.7.6 损失函数

3.7.7 后处理方法

3.7.8 实验结果

3.7.9 测试部分

参考文献

第4章 运动规划和控制

4.1 概述

4.2 传统自动驾驶的规划和决策层

4.2.1 路径规划

4.2.2 实例：路径规划Dijkstra算法

4.2.3 实例：路径规划A*算法

4.2.4 行为决策

4.2.5 运动规划

4.2.6 实例：运动规划

4.2.7 车辆控制

4.2.8 实例：模型预测控制

4.2.9 实例：PID控制

4.3 集成感知和规划

实战项目：NVIDIA的端到端自动驾驶

4.4 交互行为感知和规划

4.4.1 合作与互动

4.4.2 博弈论方法

4.4.3 概率方法

4.4.4 部分可观察的马尔可夫决策过程

4.4.5 基于学习的方法

参考文献

第5章 定位与建图

5.1 SLAM问题

5.1.1 基于滤波器的SLAM方法

5.1.2 基于优化的SLAM方法

5.2 自主驾驶的局限性

5.2.1 问题的提出

5.2.2 避免或减少漂移的影响

5.2.3 自动驾驶SLAM的评估标准

5.3 自动驾驶中的SLAM

5.3.1 重新定位和回环检测

5.3.2 先前构建的地图中的定位

5.3.3 建立和使用未来地图

5.3.4 利用当前地图资源

5.4 自动驾驶中的地图表示

5.4.1 公制地图模型

5.4.2 语义地图模型

参考文献

第6章 自动驾驶仿真器

6.1 最新的仿真器

6.1.1 AirSim

6.1.2 Apollo

6.1.3 CARLA

6.1.4 Udacity AV Simulator

6.1.5 Deep Traffic

6.2 仿真器实战：CARLA

6.2.1 仿真引擎

6.2.2 使用CARLA评估自动驾驶方法

参考文献

第7章 自动驾驶芯片

7.1 Mobileye EyeQ

7.2 NVIDIA

7.2.1 NVIDIA DRIVE AGX开发者套件

7.2.2 NVIDIA DRIVE软件

7.3 TI Jacinto TDAx

7.4 实战项目：360度环景系统与自动停车系统

7.4.1 自动停车与停车辅助系统

7.4.2 使用Jacinto TDA4VM处理器系列应对环视和自动停车的挑战

7.4.3 Jacinto TDA4VM SoC

7.5 Qualcomm

7.6 NXP

7.7 Xilinx Zynq-7000

7.8 Synopsys

第8章 深度学习模型优化

8.1 模型压缩和加速

8.1.1 参数修剪和共享

8.1.2 低秩分解

8.1.3 转移/紧凑卷积滤波器

8.1.4 知识蒸馏

8.2 AI模型效率工具包

8.2.1 大规模节能AI

8.2.2 通过合作推进AI模型效率的研究

8.3 未来研究展望

参考文献

第9章 深度学习芯片设计

9.1 概述

9.2 在CPU和GPU平台上加速内核计算

9.3 中科院计算所的深度学习芯片系列

9.3.1 卷积神经网络简介

9.3.2 DaDianNao

9.3.3 ShiDianNao

9.3.4 寒武纪Cambricon-X

9.4 麻省理工学院的Eyeriss系列

9.4.1 卷积神经网络基本知识

9.4.2 Eyeriss

9.4.3 Eyeriss v2

9.5 谷歌的TPU芯片

9.5.1 TPU v1

9.5.2 TPU指令集

9.5.3 TPU的心脏：脉动阵列

9.5.4 TPU v2/v3

9.5.5 软件架构

9.6 近内存计算

9.6.1 DRAM

9.6.2 SRAM

9.6.3 非易失性电阻存储器

9.6.4 传感器

9.7 DNN硬件的指标

参考文献

第10章 自动驾驶SoC设计

10.1 自动驾驶SoC设计流程

10.2 TI的Jacinto SoC平台

10.3 Jacinto 7处理器的功能安全特性

10.3.1 功能安全

10.3.2 软件功能安全

10.3.3 安全应用部署

10.4 具有DNN和ISP的符合安全标准的多核SoC设计

10.4.1 ADAS图像识别SoC

10.4.2 DNN加速器

10.4.3 具有安全BIST控制器的ISP

10.5 实例：NVIDIA深度学习加速器

10.5.1 NVDLA介绍

10.5.2 FireSim

10.5.3 NVDLA集成

10.5.4 性能分析

参考文献

第11章 自动驾驶操作系统

11.1 概述

11.2 开源自动驾驶操作系统

11.2.1 Linux RTOS

11.2.2 ROS中间件

11.3 使用开源软件开发自动驾驶技术的公司

11.3.1 百度

11.3.2 宝马

11.3.3 Voyage

11.3.4 Tier IV

11.3.5 PolySync

11.3.6 Perrone Robotics

11.4 汽车硬实时操作系统和框架

11.4.1 BlackBerry QNX

11.4.2 EB robinos和EB corbos

11.4.3 Integrity RTOS

11.4.4 NVIDIA DriveWorks SDK

11.5 总结

第12章 自动驾驶软件架构

12.1 概述

12.2 基于ISO 26262的软件开发

12.2.1 ISO 26262简介

12.2.2 Synopsys软件产品组合

12.2.3 ASIL

12.2.4 软件架构设计

12.2.5 软件单元设计与实现

12.2.6 软件单元测试

12.3 基于SAE J3016的组件架构设计

12.3.1 功能组件

12.3.2 AUTOSAR

12.4 自动驾驶汽车的架构设计与实现

12.4.1 硬件框架

12.4.2 软件系统架构

12.4.3 数据传输模块

12.4.4 自动驾驶测试报告

参考文献

第13章 5G C-V2X简介

13.1 移动车联网

13.2 C-V2X如何改变驾驶

13.2.1 避免碰撞

13.2.2 车队行驶

13.2.3 协作驾驶

13.2.4 队列警告

13.2.5 保护弱势道路使用者

13.2.6 支持应急服务

13.2.7 危险提前警告

13.2.8 越来越多的自动驾驶

13.3 C-V2X的优势

13.4 C-V2X的工作原理

13.4.1 直接通信

13.4.2 网络通信

13.4.3 5G如何改变C-V2X

13.5 C-V2X部署计划

13.5.1 中国引领潮流

13.5.2 澳大利亚——改善道路安全

13.5.3 美国——增长势头

13.5.4 欧洲——广泛支持