智能汽車傳感器：原理·設計·應用

第1章 智能汽車感測器概述
1.1 汽車智能化
1.1.1 什麼是智能化？
1.1.2 汽車智能化的重要載體——ADAS
1.2 汽車感測器基礎知識
1.2.1 常見的汽車感測器有哪些？
1.2.2 感測器在汽車安全系統上的應用
1.2.3 傳統燃油汽車常用感測器解析
1.2.4 看圖了解汽車感測器的安裝位置
1.3 自動駕駛相關感測器對比
1.3.1 不同感測器市場規模比較
1.3.2 不同感測器性能比較
1.4 智能汽車感測器發展現狀與趨勢
1.4.1 智能汽車感測器發展現狀
1.4.2 智能汽車感測器發展趨勢
第2章 車載攝像頭
2.1 車載攝像頭概述
2.2 產業應用：特斯拉FSD全視覺智能駕駛
2.2.1 什麼是FSD ？
2.2.2 FSD 發展歷史
2.2.3 FSD 為什麼要採用端到端技術？
2.2.4 FSD 核心架構
2.2.5 端到端的核心演算法
2.3 車載攝像頭ISP 技術
2.3.1 什麼是ISP ？
2.3.2 自動駕駛系統中ISP的特殊性
2.3.3 ISP 圖像質量調試
2.4 車載攝像頭髮展趨勢
2.4.1 市場方面
2.4.2 產業鏈方面
第3章 激光雷達
3.1 激光雷達概述
3.1.1 激光雷達的作用與發展歷程
3.1.2 激光雷達技術分類
3.1.3 激光雷達系統的組成與參數
3.2 激光雷達的不同技術路線對比
3.2.1 單線與多線
3.2.2 ToF 與FMCW
3.2.3 EEL 與VCSEL
3.2.4 905nm 波長與1550nm 波長
3.3 激光雷達應用
3.3.1 激光雷達應用圖示
3.3.2 激光雷達為自動駕駛困境提供解決方案
3.4 激光雷達標定
3.4.1 單線激光雷達標定
3.4.2 多線激光雷達標定
3.4.3 常用的一些標定方法
3.4.4 外部搜索
3.4.5 激光雷達與攝像頭的時空標定
3.5 激光雷達產業鏈
第4章 4D毫米波雷達
4.1 4D 毫米波雷達概述
4.2 4D 毫米波雷達的信號處理流程
4.3 提高解析度的方法
4.4 外部校準
4.5 基於學習的雷達點雲生成
4.6 感知應用
4.7 定位和地圖應用
4.8 未來發展趨勢
第5章 超聲波感測器
5.1 超聲波感測器概述
5.1.1 超聲波感測器基礎知識
5.1.2 超聲波系統理論
5.1.3 超聲波感測過程的影響因素
5.1.4 超聲波感測器的發展趨勢
5.2 超聲波感測器應用場景
5.2.1 超聲波感測器在汽車上的應用圖示
5.2.2 超聲波感測器在ADAS 中的具體應用
第6章 智能汽車感測器標定技術
6.1 機器視覺：攝像頭標定技術
6.1.1 成像幾何模型
6.1.2 典型標定方法
6.1.3 自動駕駛中的攝像頭標定
6.2 用OpenCV（C++）實現攝像頭/ 圖像的畸變校正
6.3 攝像頭內外參標定實例
6.4 攝像頭和激光雷達聯合標定實例
6.4.1 所需軟體與開發步驟
6.4.2 聯合校準
第7章 智能汽車感測器融合技術
7.1 視覺方案與多感測器融合方案
7.1.1 視覺方案與多感測器融合方案概述
7.1.2 感測器融合（軟體）
7.2 多感測器后融合技術
7.2.1 自動駕駛模塊化的感測器后融合方法
7.2.2 FOP-MOC 模型
7.3 多感測器前融合技術
7.3.1 MV3D
7.3.2 AVOD
7.3.3 F-PointNet
7.4 多感測器硬體系統的設計思路
7.5 多感測器系統的同步
7.6 多感測器融合演算法
7.7 基於卡爾曼濾波/擴展卡爾曼濾波的感知融合
7.8 感測器融合后的應用示例
附錄 智能駕駛功能中英文對照
參考文獻