本书全面系统地介绍了智能汽车环境感知技术，包括汽车的智能化、环境感知技术的重要性及国内外研究现状，智能汽车感知系统及传感器的标定方法，基于单目视觉的环境感知技术，基于MobileNetv2_CA-YOLOv4的环境感知技术，基于MCDVformer的多任务环境感知技术，基于点云数据增强的环境感知技术，基于两阶段序列融合的环境感知技术，基于多模态融合的环境感知技术，等等。 本书从学术界及工业界的角度出发，全面阐述了全新的环境感知算法，深入探讨了深度学习和神经网络等关键算法在环境感知领域的应用以及学术界需要攻克的重难点，可作为从事汽车行业的工程算法人员及相关专业的本科生、研究生的参考书，也可供智能汽车爱好者阅读。

第1章 绪论
1.1 汽车的智能化
1.1.1 智能汽车
1.1.2 智能网联汽车
1.1.3 无人驾驶汽车
1.2 环境感知技术的重要性
1.3 国内外研究现状
1.3.1 基于图像的环境感知技术
1.3.2 基于点云的环境感知技术
1.3.3 基于多传感器融合的环境感知技术
1.3.4 基于多任务网络的环境感知技术
第2章 智能汽车感知系统及传感器标定方法
2.1 感知系统介绍
2.1.1 感知系统架构
2.1.2 传感器介绍
2.2 单目相机标定
2.2.1 相机成像模型
2.2.2 相机内参标定
2.3 相机和激光雷达联合标定
2.3.1 相机坐标系和激光雷达坐标系的转换模型
2.3.2 外参的联合标定
本章小结
第3章 基于单目视觉的环境感知技术
3.1 深度学习理论及相关方法介绍
3.1.1 注意力机制
3.1.2 注意力机制的计算
3.1.3 自注意力机制
3.2 VisionTransformer
3.3 SwinDeformableTransformer-BiPAFPN-YOLOX目标检测算法
3.3.1 DarkNet53-PAFPN-YOLOX目标检测算法
3.3.2 SwinDeformableTransformer-BiPAFPN-YOLOX目标检测算法整体结构
3.3.3 重建可变形自注意力机制
3.3.4 主干网络：SwinDeformableTransformer
3.3.5 颈部：BiPAFPN
3.4 实验与分析
3.4.1 实验平台搭建
3.4.2 数据集
3.4.3 评价标准
3.4.4 训练策略
3.4.5 实验数据统计与分析
3.5 实车实验
3.5.1 实验设备介绍
3.5.2 实时检测
本章小结
第4章 基于MobileNetv2_CA-YOLOv4的环境感知技术
4.1 MobileNetv2_CA-YOLOv4的轻量化目标检测算法
4.1.1 深度可分离卷积
4.1.2 网络结构的构建
4.1.3 注意力机制及对比
4.1.4 协调注意力机制CoordinateAttention（CA）的嵌入
4.1.5 构造网络损失函数
4.1.6 马赛克图像增强方法
4.2 MobileNetv2_CA-YOLOv4目标检测算法的实验与分析
4.2.1 实验平台
4.2.2 数据集介绍
4.2.3 模型训练
4.2.4 评价指标
4.2.5 实验结果分析
4.2.6 目标检测结果对比
本章小结
第5章 基于MCDVformer的多任务环境感知技术
5.1 多任务主干MCDVformer介绍
5.1.1 整体结构
5.1.2 移位窗口自注意力机制
5.1.3 重建可变形自注意力机制
5.1.4 关键点可变形自/交叉注意力机制
5.1.5 SwinDeformableEncoder-Decoder
5.1.6 密集残差连接
5.2 目标检测实验
5.2.1 数据集与评价标准
5.2.2 训练策略
5.2.3 定量实验分析
5.2.4 定性实验分析
5.3 实例分割实验
5.3.1 数据集、训练策略与评价指标
5.3.2 定量实验分析
5.3.3 定性实验分析
5.4 目标分类实验
5.4.1 数据集以及评价指标
5.4.2 训练策略
5.4.3 定量实验分析
5.5 语义分割实验
5.5.1 数据集与评价指标
5.5.2 训练策略
5.5.3 定量实验分析
5.5.4 定性实验分析
5.6 消融实验
5.7 实车实验
5.7.1 目标检测实车实验
5.7.2 实例分割实车实验
5.7.3 语义分割实车实验
本章小结
第6章 基于点云数据增强的环境感知技术
6.1 点云密度和语义增强框架与流程
6.1.1 点云密度增强
6.1.2 点云语义增强
6.2 点云和图像之间的坐标转换
6.3 数据集和检测器细节
6.4 实验和结果分析
6.4.1 nuScenes数据集的评价指标
6.4.2 nuScenes数据集上的实验结果
6.4.3 KITTI数据集上的实验结果
6.5 消融实验
6.5.1 点云密度增强的有效性验证
6.5.2 点云语义增强的有效性验证
6.5.3 D-SAugmentation整体性能的有效性验证
本章小结
第7章 基于两阶段序列融合的环境感知技术
7.1 多模态传感器数据融合方法及概念
7.2 两阶段序列融合网络
7.3 最近群组关联的点云语义增强
7.3.1 点云语义增强模块
7.3.2 最近群组关联
7.4 基于置信度和距离的非极大值抑制
7.4.1 基于置信度的非极大值抑制
7.4.2 级联距离与置信度的非极大值抑制
7.5 实验结果及分析
7.5.1 数据集介绍
7.5.2 二维检测器的配置
7.5.3 三维检测器的配置
7.5.4 融合模块的配置
7.5.5 检测结果及对比
7.6 消融实验
7.6.1 NGP模块的有效性
7.6.2 C-DNMS模块的有效性
7.6.3 TSF整体网络的有效性
本章小结
第8章 基于多模态融合的环境感知技术
8.1 多模态融合环境感知算法问题描述
8.2 MFF-Net总体框架
8.2.1 空间变换投影（STP）
8.2.2 自适应表达增强（AEE）融合
8.2.3 自适应非极大值抑制（A-NMS）算法
8.3 实验设置
8.3.1 实验环境
8.3.2 网络细节
8.3.3 KITTI