自动驾驶算法与芯片设计 下载 网盘 kindle mobi 115盘 pdf pdb rtf

目前自动驾驶的一个发展趋势就是智能化。随着人工智能的飞速发展以及各种新型传感器的涌现，汽车智能化形成趋势，辅助驾驶功能的渗透率越来越高。这些功能的实现需要借助于摄像头、雷达、激光雷达等新增的传感器数据，其中视频处理需要大量并行计算。然而，传统CPU算力不足，而DSP擅长图像处理，对于深度学习却缺乏足够的性能。尽管GPU擅长训练，但它过于耗电，影响汽车的性能。因此，本书着眼于未来，认为定制化的ASIC必将成为主流。本书以自动驾驶的芯片设计为最终目标，来论述设计一个面向未来的自动驾驶SoC芯片的学术支撑和工程实践。本书共13章。其中第1章主要介绍自动驾驶目前遇到的挑战和研究方向。第2～6章重点讲述环境感知以及规划控制方面的算法设计；第7～10章重点讲述深度学习模型的优化和深度学习芯片的设计；第11章和第12章重点讲述具有安全功能的自动驾驶软件架构设计；第13章介绍5G车联网。

第1章　自动驾驶芯片的挑战1

1.1　自动驾驶科技界现状1

1.2　自动驾驶设计的挑战2

1.2.1　功能约束3

1.2.2　可预测性约束3

1.2.3　存储限制4

1.2.4　热量约束4

1.2.5　功率约束5

1.3　自动驾驶系统算法设计5

1.3.1　感知6

1.3.2　决策7

1.3.3　控制8

1.3.4　安全验证与测试9

1.4　自动驾驶系统计算平台10

1.4.1　GPU11

1.4.2　DSP11

1.4.3　FPGA11

1.4.4　ASIC12

参考文献12

第2章　3D物体检测14

2.1　传感器15

2.1.1　摄像机15

2.1.2　激光雷达15

2.2　数据集16

2.3　3D物体检测方法17

2.3.1　基于单目图像的检测方法18

2.3.2　基于点云的检测方法19

2.3.3　基于融合的检测方法22

2.4　实战项目：3D物体检测24

2.4.1　算法概述25

2.4.2　点云预处理26

2.4.3　网络结构28

2.4.4　欧拉区域提议28

2.4.5　锚盒设计29

2.4.6　复角度回归30

2.4.7　损失函数的构建30

2.4.8　实验结果31

2.4.9　训练细节31

2.4.10　鸟瞰检测32

2.4.11　3D对象检测32

2.5　未来研究展望33

参考文献33

第3章　车道检测37

3.1　传统图像处理38

3.2　实例：基于霍夫变换的车道检测39

3.2.1　霍夫变换40

3.2.2　OpenCV车道检测41

3.3　实例：RANSAC算法及直线拟合42

3.3.1　算法思路43

3.3.2　用Python实现直线拟合43

3.4　基于深度学习45

3.5　多传感器集成方案47

3.6　车道检测系统评估标准49

3.6.1　车道检测系统性能的影响因素49

3.6.2　离线评估50

3.6.3　在线评估51

3.6.4　评估指标52

3.7　实战项目：车道检测53

3.7.1　概述53

3.7.2　车道点实例网络53

3.7.3　调整大小层54

3.7.4　相同瓶颈层55

3.7.5　下采样瓶颈层和上采样瓶颈层56

3.7.6　损失函数58

3.7.7　后处理方法61

3.7.8　实验结果62

3.7.9　测试部分62

参考文献63

第4章　运动规划和控制68

4.1　概述68

4.2　传统自动驾驶的规划和决策层69

4.2.1　路径规划70

4.2.2　实例：路径规划Dijkstra算法71

4.2.3　实例：路径规划A*算法75

4.2.4　行为决策77

4.2.5　运动规划77

4.2.6　实例：运动规划78

4.2.7　车辆控制84

4.2.8　实例：模型预测控制84

4.2.9　实例：PID控制89

4.3　集成感知和规划90

实战项目：NVIDIA的端到端自动驾驶92

4.4　交互行为感知和规划94

4.4.1　合作与互动95

4.4.2　博弈论方法95

4.4.3　概率方法96

4.4.4　部分可观察的马尔可夫决策过程96

4.4.5　基于学习的方法97

参考文献98

第5章　定位与建图102

5.1　SLAM问题103

5.1.1　基于滤波器的SLAM方法104

5.1.2　基于优化的SLAM方法108

5.2　自主驾驶的局限性109

5.2.1　问题的提出109

5.2.2　避免或减少漂移的影响109

5.2.3　自动驾驶SLAM的评估标准110

5.3　自动驾驶中的SLAM111

5.3.1　重新定位和回环检测111

5.3.2　先前构建的地图中的定位113

5.3.3　建立和使用未来地图115

5.3.4　利用当前地图资源116

5.4　自动驾驶中的地图表示117

5.4.1　公制地图模型117

5.4.2　语义地图模型120

参考文献122

第6章　自动驾驶仿真器128

6.1　最新的仿真器129

6.1.1　AirSim129

6.1.2　Apollo129

6.1.3　CARLA130

6.1.4　Udacity AV Simulator131

6.1.5　Deep Traf?c132

6.2　仿真器实战：CARLA132

6.2.1　仿真引擎132

6.2.2　使用CARLA评估自动驾驶方法133

参考文献135

第7章　自动驾驶芯片136

7.1　Mobileye EyeQ137

7.2　NVIDIA138

7.2.1　NVIDIA DRIVE AGX开发者套件138

7.2.2　NVIDIA DRIVE软件138

7.3　TI Jacinto TDAx141

7.4　实战项目：360°环景系统与自动停车系统142

7.4.1　自动停车与停车辅助系统143

7.4.2　使用Jacinto TDA4VM处理器系列应对环视和自动停车的挑战144

7.4.3　Jacinto TDA4VM SoC145

7.5　Qualcomm147

7.6　NXP148

7.7　Xilinx Zynq-7000148

7.8　Synopsys149

第8章　深度学习模型优化151

8.1　模型压缩和加速152

8.1.1　参数修剪和共享153

8.1.2　低秩分解155

8.1.3　转移/紧凑卷积滤波器156

8.1.4　知识蒸馏159

8.2　AI模型效率工具包159

8.2.1　大规模节能AI160

8.2.2　通过合作推进AI模型效率的研究161

8.3　未来研究展望161

参考文献162

第9章　深度学习芯片设计166

9.1　概述167

9.2　在CPU和GPU平台上加速内核计算167

9.3　中科院计算所的深度学习芯片系列168

9.3.1　卷积神经网络简介168

9.3.2　DaDianNao170

9.3.3　ShiDianNao171

9.3.4　寒武纪Cambricon-X172

9.4　麻省理工学院的Eyeriss系列172

9.4.1　卷积神经网络基本知识172

9.4.2　Eyeriss173

9.4.3　Eyeriss v2174

9.5　谷歌的TPU芯片177

9.5.1　TPU v1177

9.5.2　TPU指令集178

9.5.3　TPU的心脏：脉动阵列179

9.5.4　TPU v2/v3180

9.5.5　软件架构180

9.6　近内存计算181

9.6.1　DRAM181

9.6.2　SRAM182

9.6.3　非易失性电阻存储器182

9.6.4　传感器183

9.7　DNN硬件的指标183

参考文献184

第10章　自动驾驶SoC设计186

10.1　自动驾驶SoC设计流程186

10.2　TI的Jacinto SoC平台187

10.3　Jacinto 7处理器的功能安全特性190

10.3.1　功能安全190

10.3.2　软件功能安全191

10.3.3 安全应用部署192

10.4　具有DNN和ISP的符合安全标准的多核SoC设计194

10.4.1　ADAS图像识别SoC194

10.4.2　DNN加速器195

10.4.3　具有安全BIST控制器的ISP196

10.5　实例：NVIDIA深度学习加速器197

10.5.1　NVDLA介绍198

10.5.2　FireSim199

10.5.3　NVDLA集成199

10.5.4　性能分析200

参考文献200

第11章　自动驾驶操作系统202

11.1　概述202

11.2　开源自动驾驶操作系统204

11.2.1　Linux RTOS204

11.2.2　ROS中间件205

11.3　使用开源软件开发自动驾驶技术的公司206

11.3.1　百度206

11.3.2　宝马207

11.3.3　Voyage208

11.3.4　Tier IV208

11.3.5　PolySync209

11.3.6　Perrone Robotics210

11.4　汽车硬实时操作系统和框架211

11.4.1　BlackBerry QNX211

11.4.2　EB robinos和EB corbos212

11.4.3　Integrity RTOS213

11.4.4　NVIDIA DriveWorks SDK213

11.5　总结214

第12章　自动驾驶软件架构215

12.1　概述215

12.2　基于ISO 26262的软件开发216

12.2.1　ISO 26262简介216

12.2.2　Synopsys软件产品组合216

12.2.3　ASIL218

12.2.4　软件架构设计218

12.2.5　软件单元设计与实现219

12.2.6　软件单元测试219

12.3　基于SAE J3016的组件架构设计220

12.3.1 功能组件221

12.3.2　AUTOSAR224

12.4　自动驾驶汽车的架构设计与实现225

12.4.1　硬件框架226

12.4.2　软件系统架构227

12.4.3　数据传输模块229

12.4.4　自动驾驶测试报告229

参考文献229

第13章　5G C-V2X简介230

13.1　移动车联网230

13.2　C-V2X如何改变驾驶231

13.2.1　避免碰撞231

13.2.2　车队行驶232

13.2.3　协作驾驶232

13.2.4　队列警告232

13.2.5　保护弱势道路使用者232

13.2.6　支持应急服务233

13.2.7　危险提前警告233

13.2.8　越来越多的自动驾驶233

13.3　C-V2X的优势233

13.4　C-V2X的工作原理235

13.4.1　直接通信235

13.4.2　网络通信235

13.4.3　5G如何改变C-V2X236

13.5　C-V2X部署计划236

13.5.1　中国引领潮流236

13.5.2　澳大利亚——改善道路安全237

13.5.3　美国——增长势头237

13.5.4　欧洲——广泛支持238

13.6　总结238

任建峰，博士，目前就职于谷歌公司，分别于2005年和2009 年获得西北工业大学模式识别与智能系统博士学位和美国得州大学达拉斯分校电子工程博士学位，从事计算影像学、自动驾驶方面芯片算法研发工作，在高通、华为海思工作多年，发表论文40多篇，拥有30多项美国专利。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：自动驾驶算法与芯片设计在线阅读

在线听书地址：自动驾驶算法与芯片设计在线收听

在线购买地址：自动驾驶算法与芯片设计在线购买

暂无原文赏析，正在全力查找中！

书籍介绍

目前自动驾驶的一个发展趋势就是智能化。随着人工智能的飞速发展以及各种新型传感器的涌现，汽车智能化形成趋势，辅助驾驶功能的渗透率越来越高。这些功能的实现需要借助于摄像头、雷达、激光雷达等新增的传感器数据，其中视频处理需要大量并行计算。然而，传统CPU算力不足，而DSP擅长图像处理，对于深度学习却缺乏足够的性能。尽管GPU擅长训练，但它过于耗电，影响汽车的性能。因此，本书着眼于未来，认为定制化的ASIC必将成为主流。本书以自动驾驶的芯片设计为最终目标，来论述设计一个面向未来的自动驾驶SoC芯片的学术支撑和工程实践。

本书共13章。其中第1章主要介绍自动驾驶目前遇到的挑战和研究方向。第2～6章重点讲述环境感知以及规划控制方面的算法设计；第7～10章重点讲述深度学习模型的优化和深度学习芯片的设计；第11章和第12章重点讲述具有安全功能的自动驾驶软件架构设计；第13章介绍5G车联网。

本书适合有志于从事自动驾驶方面的大学本科生、研究生以及工程技术人员阅读。