買這商品的人也買了...
-
$1,400$1,330 -
$360$281 -
$980$774 -
$648$616 -
$880$695 -
$1,280PyTorch Deep Learning Hands-On: Apply modern AI techniques with CNNs, RNNs, GANs, reinforcement learning, and more
-
$709遷移學習 -- TRANSFER LEARNING (楊強教授新作)
-
$580$458 -
$520$390 -
$880$695 -
$630$498
相關主題
商品描述
本書為即將從事或正在從事自動駕駛傳感器融合工作的人總結了傳感器融合的思路。
本書首先介紹了攝像頭(單目、立體)、無線電雷達、LiDAR、超聲波傳感器,其次從復合、統合、融合和網絡的觀點出發,
介紹如何將這些傳感器進行融合併予以分類,給出了相關特性和具體實例。
特別是針對網絡傳感器,介紹了基於免疫網絡的傳感器融合方法。
此外,傳感器融合的目標就是要實現最佳狀態估計,從這個觀點出發,
本書對基於濾波器、最小平方法估計法、狀態方程式的逐次型狀態估計等各類方法的卡爾曼濾波器、粒子濾波器等情況予以整理說明。
目錄大綱
前言
第1章 什麼是感測器融合
1.1 組合方法
1.2 感測器數據融合
參考文獻
第2章 各感測器技術詳情
2.1 主動感測器
2.1.1 無線電雷達
2.1.2 LiDAR
2.1.3 超音波感測器
2.2 被動感測器
2.2.1 單眼攝影機
2.2.2 立體攝影機
2.2.3 RGBD攝影機
2.2.4 深度學習
2.2.5 各種感測器的比較
參考文獻
第3章 感測器融合
3.1 主動感測器與被動感測器的組合
3.2 組合範例
3.2.1 座標校正
3.2.2 虛擬RGBD攝影機研究實例
3.3 感測器融合的種類
參考文獻
第4章 各種感測器融合的實例
4.1 複合感測器融合
4.2 統合感測器融合
4.3 融合感測器融合
4.4 網路感測器融合
4.4.1 互耦神經網絡
4.4.2 置信度
4.4.3 免疫網絡
參考文獻
第5章 卡爾曼濾波器
5.1 預處理
5.1.1 數位化
5.1.2 去噪
5.1.3 維納濾波器
5.2 狀態空間表示
5.3 最小平方法估計法
5.4 貝葉斯統計
5.5 逐次最小平方法估計法
5.6 卡爾曼濾波器
5.7 非線性卡爾曼濾波器
5.7.1 擴充卡爾曼濾波器
5.7.2 無跡卡爾曼濾波器
5.7.3 粒子濾波器
5.8 卡爾曼濾波器應用範例
參考文獻
第6章 今後的技術動向
6.1 各感測器的未來
6.2 感測器融合的未來
參考文獻
結束語