智能網(wǎng)聯(lián)汽車：激光與視覺SLAM詳解

前言
作者介紹
第1章智能網(wǎng)聯(lián)汽車及SLAM概述1
1.1基本概念1
1.1.1智能網(wǎng)聯(lián)汽車1
1.1.2SLAM定義2
1.1.3地圖的分類與作用4
1.1.4SLAM技術(shù)探討7
1.2SLAM的應(yīng)用現(xiàn)狀10
1.2.1自動駕駛等級10
1.2.2技術(shù)難點(diǎn)11
1.2.3SLAM的優(yōu)勢13
1.3SLAM架構(gòu)13
1.3.1環(huán)境感知13
1.3.2環(huán)境繪圖14
1.3.3運(yùn)動規(guī)劃16
1.3.4車輛控制17
1.3.5監(jiān)控系統(tǒng)17
1.4SLAM的發(fā)展階段與應(yīng)用前景18
1.4.1SLAM演進(jìn)的3個(gè)階段18
1.4.2SLAM的應(yīng)用前景19
第2章自動駕駛常用傳感器及原理21
2.1激光雷達(dá)22
2.1.1激光雷達(dá)的種類22
2.1.2三角測距激光雷達(dá)24
2.1.3ToF激光雷達(dá)24
2.1.4機(jī)械式激光雷達(dá)27
2.1.5混合固態(tài)激光雷達(dá)28
2.1.6固態(tài)激光雷達(dá)29
2.1.7競品對比31
2.1.8核心部件33
2.1.9應(yīng)用及展望34
2.2深度相機(jī)34
2.2.1ToF深度相機(jī)35
2.2.2結(jié)構(gòu)光深度相機(jī)37
2.2.3雙目深度相機(jī)38
2.2.4應(yīng)用及展望41
2.3毫米波雷達(dá)43
2.3.1工作原理43
2.3.2測距功能原理44
2.3.3測速功能原理46
2.3.4角度估算原理48
2.3.5FoV計(jì)算原理48
2.3.6核心參數(shù)49
2.3.7應(yīng)用及展望50
第3章多傳感器融合51
3.1同步與標(biāo)定52
3.1.1時(shí)間硬同步52
3.1.2時(shí)間軟同步55
3.1.3空間標(biāo)定56
3.2融合策略66
3.2.1后融合67
3.2.2前融合73
3.3應(yīng)用分析77
3.3.1自動駕駛應(yīng)用78
3.3.2移動機(jī)器人應(yīng)用79
3.3.3機(jī)械臂應(yīng)用80
第4章激光SLAM81
4.1點(diǎn)云預(yù)處理82
4.1.1點(diǎn)云濾波82
4.1.2點(diǎn)云分割84
4.1.3點(diǎn)云運(yùn)動補(bǔ)償86
4.2前端里程計(jì)89
4.2.1基于直接匹配的迭代最近點(diǎn)算法89
4.2.2基于特征匹配的正態(tài)分布變換算法92
4.2.3ICP算法與NDT算法的比較96
4.3關(guān)鍵幀提取97
4.3.1基于幀間運(yùn)動的關(guān)鍵幀提取97
4.3.2基于時(shí)間間隔的關(guān)鍵幀提取98
4.4后端優(yōu)化100
4.4.1基于圖優(yōu)化的后端優(yōu)化101
4.4.2基于濾波器的后端優(yōu)化102
4.5激光SLAM算法實(shí)戰(zhàn)106
4.5.1Cartographer算法106
4.5.2Cartographer代碼實(shí)戰(zhàn)109
4.5.3LOAM算法112
4.5.4LOAM代碼實(shí)戰(zhàn)：
A-LOAM118
4.5.5LeGO-LOAM算法120
4.5.6LeGO-LOAM代碼實(shí)戰(zhàn)125
4.5.7LIO-SAM算法127
4.5.8LIO-SAM代碼實(shí)戰(zhàn)133
第5章視覺SLAM136
5.1前端視覺里程計(jì)137
5.1.1基于特征點(diǎn)法的視覺里程計(jì)137
5.1.2基于直接法的視覺里程計(jì)152
5.2后端非線性優(yōu)化155
5.2.1BA優(yōu)化155
5.2.2位姿圖優(yōu)化157
5.3回環(huán)檢測158
5.3.1詞袋模型159
5.3.2深度學(xué)習(xí)模型161
5.4建圖162
5.4.1度量地圖162
5.4.2拓?fù)涞貓D162
5.4.3特征點(diǎn)地圖163
5.5常用的視覺SLAM算法163
5.5.1ORB SLAM 2架構(gòu)164
5.5.2SVO架構(gòu)174
5.5.3DSO架構(gòu)178
5.5.4VINS-Mono架構(gòu)182
5.5.5代碼實(shí)戰(zhàn)190
第6章深度學(xué)習(xí)在SLAM中的應(yīng)用193
6.1深度學(xué)習(xí)與相機(jī)重定位193
6.1.1基于深度神經(jīng)網(wǎng)絡(luò)的相機(jī)重定位方法194
6.1.2基于檢索的相機(jī)重定位方法194
6.1.3全場景理解195
6.2深度學(xué)習(xí)與特征點(diǎn)的提取及匹配196
6.2.1深度卷積神經(jīng)網(wǎng)絡(luò)特征點(diǎn)的鑒別196
6.2.2LIFT：基于深度學(xué)習(xí)的經(jīng)典局部特征提取方法197
6.2.3MatchNet：通過統(tǒng)一特征和度量學(xué)習(xí)實(shí)現(xiàn)基于補(bǔ)丁的匹配198
6.2.4UCN：通用的圖像關(guān)聯(lián)預(yù)測器201
6.3深度學(xué)習(xí)與視覺里程計(jì)203
6.4深度學(xué)習(xí)與回環(huán)檢測207
6.5深度學(xué)習(xí)與語義SLAM208
6.5.1語義分割網(wǎng)絡(luò)209
6.5.2構(gòu)建語義地圖212
6.5.3ORB SLAM實(shí)際操作215
第7章SLAM技術(shù)展望217
7.1激光SLAM的應(yīng)用及展望218
7.1.1激光SLAM的應(yīng)用現(xiàn)狀218
7.1.2激光SLAM的未來趨勢220
7.2視覺SLAM的應(yīng)用及展望220
7.2.1視覺SLAM的應(yīng)用現(xiàn)狀221
7.2.2視覺SLAM的未來趨勢222
后記223