- 无人驾驶汽车SLAM导航定位技术/新能源与智能汽车技术丛书
- - 作者：编者:时培成|责编:张海丽
  - 出版社：化学工业
  - ISBN：9787122445643
  - 出版日期：2024/02/01
  - 页数：229
- 售价：47.2

内容大纲
随着人工智能的兴起，基于各种深度学习的图像处理方法被应用到无人驾驶汽车SLAM（同步定位与地图构建）导航定位中，极大推动了无人驾驶汽车的进步与发展。本书主要介绍SLAM相关数学知识及核心算法在无人驾驶汽车导航定位中的应用，其中，既包括数学理论基础，如仿射变换、SVD分解，又包括SLAM的经典算法实现，如因子图优化、卡尔曼滤波等。本书从学术界及工业界的角度，全面展示了SLAM经典算法，如基于视觉的经典SLAM算法——ORB-SLAM2，以及基于激光雷达的经典SLAM算法——LOAM。本书还指出了多传感器、深度学习等关键技术在无人驾驶汽车SLAM导航定位中的应用，以及当前需要攻克的重点、难点。
本书可作为高等院校汽车工程、自动控制等专业高年级本科生、研究生的参考教材，同时也可供相关领域的技术人员参考。
作者介绍
目录
第1章  SLAM基础知识
  1.1  引言
    1.1.1  什么是SLAM？
    1.1.2  SLAM的发展历史
    1.1.3  应用和挑战
  1.2  应用于SLAM的视觉传感器
    1.2.1  激光雷达
    1.2.2  相机
  1.3  视觉传感器的数据预处理
    1.3.1  图像信息提取技术
    1.3.2  语义与位置
    1.3.3  语义与映射
    1.3.4  点云特征提取技术
    1.3.5  点云分割技术
  1.4  如何实现SLAM？
    1.4.1  SLAM的工作流程
    1.4.2  地图构建和更新
    1.4.3  SLAM数据集
  1.5  SLAM中的关键问题
  本章小结
  参考文献
第2章  SLAM数学基础
  2.1  仿射变换
    2.1.1  仿射变换的定义
    2.1.2  仿射变换的特例
    2.1.3  仿射变换的性质
  2.2  对极约束和Essential矩阵、Fundamental矩阵
    2.2.1  预备知识（各种坐标转换）
    2.2.2  对极几何
    2.2.3  本质矩阵和基础矩阵
  2.3  SVD奇异值分解
    2.3.1  预备知识
    2.3.2  奇异值分解
  2.4  单应性
  2.5  Homography、Essential矩阵在共面、非共面及旋转场景中的应用
    2.5.1  Homography应用
    2.5.2  Essential应用
  2.6  卡方分布和卡方检验
    2.6.1  什么是卡方分布？
    2.6.2  什么是卡方检验？
    2.6.3  卡方分布和卡方检验在SLAM中的应用
    2.6.4  卡方检验计算方法
  2.7  矩阵变换
    2.7.1  雅可比矩阵
    2.7.2  黑森矩阵（二阶矩阵方块矩阵）
    2.7.3  多元函数的泰勒定理
    2.7.4  函数的极值条件
  2.8  旋转矩阵、旋转向量、欧拉角推导与相互转换
    2.8.1  欧拉角
    2.8.2  旋转矩阵

    2.8.3  欧拉角转换为旋转矩阵
    2.8.4  旋转矩阵与旋转向量
  2.9  G2O优化
    2.9.1  预备知识：优化
    2.9.2  图优化的概念
    2.9.3  图优化的实现
    2.9.4  G2O优化
  本章小结
  参考文献
第3章  基于视觉的SLAM算法
  3.1  引言
  3.2  相机模型与标定
    3.2.1  针孔相机模型
    3.2.2  畸变与相机标定
  3.3  特征点提取与匹配
    3.3.1  Harris角点检测
    3.3.2  SIFT特征提取
    3.3.3  匹配算法
  3.4  视觉里程计
    3.4.1  基于特征点的VO算法
    3.4.2  直接法VO算法
  3.5  基于传统方法的VSLAM
    3.5.1  基于特征点法的经典视觉SLAM算法（ORB-SLAM2）
    3.5.2  基于像素点进行概率的深度测量的SLAM算法（LSD）
  3.6  结合语义信息的VSLAM
    3.6.1  基于VanishPoint的三维目标检测的SLAM算法（Cube-SLAM）
    3.6.2  具有动态物体检测和背景修复的VSLAM算法（DynaSLAM）
  本章小结
  参考文献
第4章  基于CAM+IMU的视觉惯性里程计
  4.1  引言
    4.1.1  惯性传感器（IMU）
    4.1.2  卡尔曼滤波
    4.1.3  视觉惯性里程计（VIO）
    4.1.4  VIO的算法流程
  4.2  基于优化的VIO-SLAM
    4.2.1  基于滑动窗口的紧耦合的单目VIO系统（VINS-Mono）
    4.2.2  基于关键帧的视觉惯性里程计SLAM（OKVIS）
  4.3  基于卡尔曼滤波的VIO-SLAM
    4.3.1  基于多状态约束下的卡尔曼滤波器SLAM算法（MSCKF）
    4.3.2  扩展MSCKF算法（SR-ISWF）
  4.4  基于GTSAM的VIO-SLAM
    4.4.1  因子图和GTSAM
    4.4.2  基于因子图优化的SLAM算法
  本章小结
  参考文献
第5章  基于Lidar的激光惯性里程计
  5.1  引言
  5.2  激光雷达的工作方式
    5.2.1  激光雷达数据的测距方法

    5.2.2  激光雷达数据的处理方法
  5.3  基于传统方法的激光SLAM
    5.3.1  基于特征点匹配的经典激光SLAM算法（LOAM）
    5.3.2  面向自动驾驶场景的激光SLAM算法（Lego-LOAM）
  5.4  结合语义信息的激光SLAM
    5.4.1  通过语义分割去除动态面元的SLAM算法（SuMa++）
    5.4.2  参数化语义特征的语义激光雷达里程计SLAM算法（PSF-LO）
  本章小结
  参考文献
第6章  基于Lidar+IMU的激光惯性里程计算法
  6.1  引言
    6.1.1  Lidar+IMU的技术优势
    6.1.2  如何进行Lidar和IMU的数据融合
  6.2  基于优化算法的LIO-SLAM
    6.2.1  紧耦合的三维激光惯性里程计（LIO-Mapping）
    6.2.2  测试和分析
  6.3  基于滤波算法的LIO-SLAM
    6.3.1  基于迭代扩展卡尔曼滤波的激光惯性里程计SLAM算法（LINS）
    6.3.2  测试和分析
  本章小结
  参考文献
第7章  基于多传感器的SLAM算法
  7.1  引言
    7.1.1  SLAM的多传感器融合
    7.1.2  多传感器融合的优势
  7.2  多传感器数据的标定
    7.2.1  相机-IMU标定
    7.2.2  激光雷达-IMU标定
    7.2.3  相机-激光雷达标定
  7.3  基于多传感器融合的SLAM算法
    7.3.1  利用激光雷达进行深度增强的视觉SLAM算法（LIMO）
    7.3.2  利用视觉里程计提供先验的激光SLAM算法（VLOAM）
  本章小结
  参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目