🌦️ 感知增强 · 恶劣天气

30章 · 从感知到安全
📚 30个模块 🎯 点击卡片跳转章节 🧊 友好色系
01课程导论
  • 恶劣天气对自动驾驶感知的挑战
  • 课程目标与学习路径
  • 感知系统基础架构回顾
进入章节 →
02雨雾天气物理特性
  • 雨滴与雾气的光学模型
  • 散射与衰减原理
  • 对激光雷达和相机的影响分析
进入章节 →
03图像去雨算法（传统方法）
  • 基于滤波的去雨
  • 基于稀疏编码的去雨
  • 基于先验模型的去雨
进入章节 →
04图像去雨算法（深度学习）
  • CNN去雨网络
  • GAN在去雨中的应用
  • 多尺度特征融合去雨
进入章节 →
05图像去雾算法（暗通道先验）
  • 暗通道先验原理
  • 透射率估计
  • 大气光值估计·去雾后处理
进入章节 →
06图像去雾算法（深度学习）
  • DehazeNet
  • AOD-Net
  • FFA-Net等经典网络解析
进入章节 →
07低光照增强算法
  • 直方图均衡化
  • Retinex理论
  • 基于深度学习的低光照增强 (Zero-DCE)
进入章节 →
08激光雷达点云去噪
  • 统计滤波·半径滤波
  • 体素滤波
  • 基于深度学习的点云去噪
进入章节 →
09激光雷达点云补全
  • 点云稀疏性问题
  • 基于GAN的点云补全
  • 基于Transformer的点云补全
进入章节 →
10多传感器融合策略
  • 时间同步与空间对齐
  • 硬同步与软同步方案
  • 外参标定方法
进入章节 →
11BEV感知在恶劣天气下的应用
  • BEV特征表达
  • LSS方案
  • Transformer在BEV中的应用
进入章节 →
12语义分割在恶劣天气下的鲁棒性
  • 域适应
  • 数据增强
  • 对抗训练
进入章节 →
13目标检测在恶劣天气下的鲁棒性
  • 多尺度检测
  • 注意力机制
  • 不确定性估计
进入章节 →
14跟踪算法在恶劣天气下的挑战
  • 数据关联困难
  • 遮挡处理
  • 轨迹平滑
进入章节 →
15传感器自清洁与除雾系统
  • 摄像头加热
  • 超声波除雨
  • 激光雷达旋转清洁
进入章节 →
16仿真数据生成
  • CARLA、SUMO等仿真器配置
  • 恶劣天气场景参数设置
  • 数据标注
进入章节 →
17真实数据采集与标注
  • 恶劣天气数据采集车搭建
  • 标注规范
  • 数据清洗
进入章节 →
18域适应与域泛化
  • 无监督域适应
  • 多源域适应
  • 域泛化方法
进入章节 →
19自监督学习在感知增强中的应用
  • 对比学习
  • 掩码自编码器
  • 预训练策略
进入章节 →
20知识蒸馏与模型压缩
  • 轻量化模型设计
  • 知识蒸馏方法
  • 量化与剪枝
进入章节 →
21端到端感知系统
  • 从传感器到控制
  • 可微分渲染
  • 联合优化
进入章节 →
22雷达与激光雷达融合
  • 毫米波雷达特性
  • 雷达点云生成
  • 雷达-激光雷达融合方法
进入章节 →
23事件相机在恶劣天气下的应用
  • 事件相机原理
  • 事件流处理
  • 与RGB相机融合
进入章节 →
24热成像相机在恶劣天气下的应用
  • 热成像原理
  • 热成像目标检测
  • 多模态融合
进入章节 →
254D成像雷达
  • 4D雷达原理
  • 点云生成
  • 与激光雷达对比
进入章节 →
26恶劣天气下的路径规划
  • 不确定性感知规划
  • 风险评估
  • 安全约束
进入章节 →
27恶劣天气下的控制策略
  • 鲁棒控制
  • 模型预测控制
  • 自适应控制
进入章节 →
28系统冗余与安全设计
  • 传感器冗余
  • 计算冗余
  • 功能安全标准 (ISO 26262)
进入章节 →
29实际案例分析与复盘
  • Waymo
  • Cruise
  • 百度Apollo在恶劣天气下的表现与教训
进入章节 →
30课程总结与未来展望
  • 技术趋势
  • 研究方向
  • 职业发展建议
进入章节 →
📘 📱 专注资料整理 ⛅ 感知增强 · 友好色系