MATLAB算法实战应用案例精讲-【自动驾驶】环境感知（最终篇）

目录

前言

算法原理

深度学习在自动驾驶中的应用的优势：

常用传感器介绍：

视觉感知中常用的注意力机制

早期的注意力机制

神经网络中的注意力机制

通道注意力

空间注意力

分支注意力

自注意力

交叉注意力

Transformer和自注意力机制

来自NLP领域的Transformer

自注意力的计算方式

自注意力的设计动机

Transformer的网络结构

视觉感知中的自注意力

图像分类

物体检测

DETR

Deformable DETR

主干网络

Swin-Transformer

Plain Vision Transformer (PlainViT)

点云处理中的自注意力

自注意力机制的探讨

 BEV感知和交叉注意力机制

视图转换

基于几何信息的方法

基于交叉注意力的方法

特征融合

自动驾驶公司及其环境感知技术

主机厂

传统车企

造车新势力

方案供应商

传统Tier1

高科技公司

深度学习在环境感知中的应用

---

 

前言

自动驾驶是一项复杂的技术，其核心包括传感器感知，行为决策，高清地图，海量数据，高性能计算平台等等。目前，基于深度学习的方法在传感器感知方面取得了突破性的进展，并因此推动了自动驾驶技术的飞速发展。自动驾驶技术所采用的传感器主要包括摄像机，激光雷达和毫米波雷达。摄像机用于采集可见光图像，对于物体的形状和类别的感知精度较高。由于深度学习技术的成功起源于计算机视觉任务，很多成功的算法也是基于对图像数据的处理，因此基于摄像机的感知技术目前已经相对成熟。图像数据的缺点在于缺少了场景和物体的距离信息，且受天气和环境的影响较大。激光雷达在一定程度上弥补了摄像机的缺点，可以精确的感知物体的距离，但是限制在于成本过高，难以大批量生产。毫米波雷达具有天线波束窄、分辨率高、频带宽、抗干扰能力强等点， 可以比较精确的测量物体的速度和距离，受天气和环境影响较小，而且成本较低，易于大规模生产，因为也成为了目前自动驾驶技术研究的一个热点方向。

算法原理

传统的雷达感知技术包含大量基于规则的算法。这些规则是研究和工程人员利用先验知识和实际数据总结出来的。人类的先验知识是有限的，可处理的数据也是有限的，因此这些规则并不完备，无法涵盖实际场景中的所有情况，而深度学习技术可以自动的从海量数据中获取知识和规则。随着数据不断累积，知识和规则的学习也就越来越完备，并超越基于人工规则的算法。因此，近些年来&#