智能网联汽车:激光与视觉SLAM详解电子书

前言

作者介绍

第1章 智能网联汽车及SLAM概述

1.1 基本概念

1.1.1 智能网联汽车

1.1.2 SLAM定义

1.1.3 地图的分类与作用

1.1.4 SLAM技术探讨

1.2 SLAM的应用现状

1.2.1 自动驾驶等级

1.2.2 技术难点

1.2.3 SLAM的优势

1.3 SLAM架构

1.3.1 环境感知

1.3.2 环境绘图

1.3.3 运动规划

1.3.4 车辆控制

1.3.5 监控系统

1.4 SLAM的发展阶段与应用前景

1.4.1 SLAM演进的3个阶段

1.4.2 SLAM的应用前景

第2章 自动驾驶常用传感器及原理

2.1 激光雷达

2.1.1 激光雷达的种类

2.1.2 三角测距激光雷达

2.1.3 ToF激光雷达

2.1.4 机械式激光雷达

2.1.5 混合固态激光雷达

2.1.6 固态激光雷达

2.1.7 竞品对比

2.1.8 核心部件

2.1.9 应用及展望

2.2 深度相机

2.2.1 ToF深度相机

2.2.2 结构光深度相机

2.2.3 双目深度相机

2.2.4 应用及展望

2.3 毫米波雷达

2.3.1 工作原理

2.3.2 测距功能原理

2.3.3 测速功能原理

2.3.4 角度估算原理

2.3.5 FoV计算原理

2.3.6 核心参数

2.3.7 应用及展望

第3章 多传感器融合

3.1 同步与标定

3.1.1 时间硬同步

3.1.2 时间软同步

3.1.3 空间标定

3.2 融合策略

3.2.1 后融合

3.2.2 前融合

3.3 应用分析

3.3.1 自动驾驶应用

3.3.2 移动机器人应用

3.3.3 机械臂应用

第4章 激光SLAM

4.1 点云预处理

4.1.1 点云滤波

4.1.2 点云分割

4.1.3 点云运动补偿

4.2 前端里程计

4.2.1 基于直接匹配的迭代最近点算法

4.2.2 基于特征匹配的正态分布变换算法

4.2.3 ICP算法与NDT算法的比较

4.3 关键帧提取

4.3.1 基于帧间运动的关键帧提取

4.3.2 基于时间间隔的关键帧提取

4.4 后端优化

4.4.1 基于图优化的后端优化

4.4.2 基于滤波器的后端优化

4.5 激光SLAM算法实战

4.5.1 Cartographer算法

4.5.2 Cartographer代码实战

4.5.3 LOAM算法

4.5.4 LOAM代码实战：A-LOAM

4.5.5 LeGO-LOAM算法

4.5.6 LeGO-LOAM代码实战

4.5.7 LIO-SAM算法

4.5.8 LIO-SAM代码实战

第5章 视觉SLAM

5.1 前端视觉里程计

5.1.1 基于特征点法的视觉里程计

5.1.2 基于直接法的视觉里程计

5.2 后端非线性优化

5.2.1 BA优化

5.2.2 位姿图优化

5.3 回环检测

5.3.1 词袋模型

5.3.2 深度学习模型

5.4 建图

5.4.1 度量地图

5.4.2 拓扑地图

5.4.3 特征点地图

5.5 常用的视觉SLAM算法

5.5.1 ORB SLAM 2架构

5.5.2 SVO架构

5.5.3 DSO架构

5.5.4 VINS-Mono架构

5.5.5 代码实战

第6章 深度学习在SLAM中的应用

6.1 深度学习与相机重定位

6.1.1 基于深度神经网络的相机重定位方法

6.1.2 基于检索的相机重定位方法

6.1.3 全场景理解

6.2 深度学习与特征点的提取及匹配

6.2.1 深度卷积神经网络特征点的鉴别

6.2.2 LIFT：基于深度学习的经典局部特征提取方法

6.2.3 MatchNet：通过统一特征和度量学习实现基于补丁的匹配

6.2.4 UCN：通用的图像关联预测器

6.3 深度学习与视觉里程计

6.4 深度学习与回环检测

6.5 深度学习与语义SLAM

6.5.1 语义分割网络

6.5.2 构建语义地图

6.5.3 ORB SLAM实际操作

第7章 SLAM技术展望

7.1 激光SLAM的应用及展望

7.1.1 激光SLAM的应用现状

7.1.2 激光SLAM的未来趋势

7.2 视觉SLAM的应用及展望

7.2.1 视觉SLAM的应用现状

7.2.2 视觉SLAM的未来趋势

后记