智能網(wǎng)聯(lián)汽車：激光與視覺SLAM詳解

定　價：￥109.00

作　者：	陳苑鋒董雪馬建軍徐守龍朱兆穎 [德]徐永龍裘維東陳巍賀光紅胡爽祿李俊輝林源王鶴穎陳昊陽葉文韜
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥92.10)

ISBN：	9787111747550	出版時間：	2024-03-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　書對激光SLAM和視覺SLAM技術進行了系統(tǒng)介紹，涉及基礎理論、關鍵技術、應用實踐及未來趨勢，并探討了它們與智能網(wǎng)聯(lián)汽車的關系。既是想要在自動駕駛和智能汽車領域取得突破的從業(yè)者的閱讀選擇，也是追求SLAM技術深度與廣度的專業(yè)人士的學習資料。具體來說，本書從智能網(wǎng)聯(lián)汽車的基本概念入手，詳細介紹了SLAM技術的發(fā)展歷程、架構設計、核心算法以及在自動駕駛等級中的應用現(xiàn)狀和技術難點。不僅分析了多傳感器融合技術的同步與標定方法、融合策略，還深入探討了激光SLAM和視覺SLAM的點云處理、關鍵幀提取、后端優(yōu)化等關鍵技術，并通過Cartographer、LOAM、LeGO-LOAM、LIO-SAM等算法的代碼實戰(zhàn)，展示了SLAM技術的實際應用。此外，著重講解了深度學習在SLAM中的應用，如相機重定位、特征點提取與匹配、視覺里程計、回環(huán)檢測以及語義SLAM的前沿進展。之后，展望了激光SLAM和視覺SLAM技術的未來發(fā)展趨勢，提供了寶貴的行業(yè)洞察。

作者簡介

　　陳苑鋒復旦大學微電子學理學博士，高級職稱。英國薩塞克斯人工智能學院客座教授、中國國際“互聯(lián)網(wǎng) ”大學生創(chuàng)新創(chuàng)業(yè)大賽國賽評委、上海市職業(yè)技能大賽專家評委、上海市工程系列計算機專業(yè)中級職稱專家評委等。先后在三星（韓國本部）、華為、阿里巴巴、美的集團等公司從事技術研發(fā)及管理工作。在集成電路、智能產(chǎn)品、機器人和物聯(lián)網(wǎng)領域有多年研發(fā)經(jīng)驗。董雪澳大利亞阿德萊德大學博士，上海交通大學副教授、博士生導師。研究方向包括激光成像、圖像處理、自主移動平臺的傳感器融合、即時定位導航及路徑規(guī)劃等，發(fā)表學術論文40余篇，主持國家自然科學基金、上海市揚帆計劃、沃爾沃汽車可持續(xù)發(fā)展項目等。熟悉車端傳感器的功能和特點，以及基于深度學習算法的傳感器融合。近年來的學術成果和工程應用經(jīng)驗集中于單目無監(jiān)督深度感知算法，基于對抗生成網(wǎng)絡的數(shù)據(jù)挖掘，基于CONV-LSTM、光流神經(jīng)網(wǎng)絡的高頻高分辨率圖像重建，端到端神經(jīng)網(wǎng)絡的復雜系統(tǒng)建模等方向。

圖書目錄

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技術探討7
1.2SLAM的應用現(xiàn)狀10
1.2.1自動駕駛等級10
1.2.2技術難點11
1.2.3SLAM的優(yōu)勢13
1.3SLAM架構13
1.3.1環(huán)境感知13
1.3.2環(huán)境繪圖14
1.3.3運動規(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)展階段與應用前景18
1.4.1SLAM演進的3個階段18
1.4.2SLAM的應用前景19
第2章自動駕駛常用傳感器及原理21
2.1激光雷達22
2.1.1激光雷達的種類22
2.1.2三角測距激光雷達24
2.1.3ToF激光雷達24
2.1.4機械式激光雷達27
2.1.5混合固態(tài)激光雷達28
2.1.6固態(tài)激光雷達29
2.1.7競品對比31
2.1.8核心部件33
2.1.9應用及展望34
2.2深度相機34
2.2.1ToF深度相機35
2.2.2結構光深度相機37
2.2.3雙目深度相機38
2.2.4應用及展望41
2.3毫米波雷達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計算原理48
2.3.6核心參數(shù)49
2.3.7應用及展望50
第3章多傳感器融合51
3.1同步與標定52
3.1.1時間硬同步52
3.1.2時間軟同步55
3.1.3空間標定56
3.2融合策略66
3.2.1后融合67
3.2.2前融合73
3.3應用分析77
3.3.1自動駕駛應用78
3.3.2移動機器人應用79
3.3.3機械臂應用80
第4章激光SLAM81
4.1點云預處理82
4.1.1點云濾波82
4.1.2點云分割84
4.1.3點云運動補償86
4.2前端里程計89
4.2.1基于直接匹配的迭代最近點算法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關鍵幀提取97
4.3.1基于幀間運動的關鍵幀提取97
4.3.2基于時間間隔的關鍵幀提取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算法實戰(zhàn)106
4.5.1Cartographer算法106
4.5.2Cartographer代碼實戰(zhàn)109
4.5.3LOAM算法112
4.5.4LOAM代碼實戰(zhàn)：
A-LOAM118
4.5.5LeGO-LOAM算法120
4.5.6LeGO-LOAM代碼實戰(zhàn)125
4.5.7LIO-SAM算法127
4.5.8LIO-SAM代碼實戰(zhàn)133
第5章視覺SLAM136
5.1前端視覺里程計137
5.1.1基于特征點法的視覺里程計137
5.1.2基于直接法的視覺里程計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深度學習模型161
5.4建圖162
5.4.1度量地圖162
5.4.2拓撲地圖162
5.4.3特征點地圖163
5.5常用的視覺SLAM算法163
5.5.1ORB SLAM 2架構164
5.5.2SVO架構174
5.5.3DSO架構178
5.5.4VINS-Mono架構182
5.5.5代碼實戰(zhàn)190
第6章深度學習在SLAM中的應用193
6.1深度學習與相機重定位193
6.1.1基于深度神經(jīng)網(wǎng)絡的相機重定位方法194
6.1.2基于檢索的相機重定位方法194
6.1.3全場景理解195
6.2深度學習與特征點的提取及匹配196
6.2.1深度卷積神經(jīng)網(wǎng)絡特征點的鑒別196
6.2.2LIFT：基于深度學習的經(jīng)典局部特征提取方法197
6.2.3MatchNet：通過統(tǒng)一特征和度量學習實現(xiàn)基于補丁的匹配198
6.2.4UCN：通用的圖像關聯(lián)預測器201
6.3深度學習與視覺里程計203
6.4深度學習與回環(huán)檢測207
6.5深度學習與語義SLAM208
6.5.1語義分割網(wǎng)絡209
6.5.2構建語義地圖212
6.5.3ORB SLAM實際操作215
第7章SLAM技術展望217
7.1激光SLAM的應用及展望218
7.1.1激光SLAM的應用現(xiàn)狀218
7.1.2激光SLAM的未來趨勢220
7.2視覺SLAM的應用及展望220
7.2.1視覺SLAM的應用現(xiàn)狀221
7.2.2視覺SLAM的未來趨勢222
后記223