封面
版权信息
版权
内容提要
前言
写作背景
本书特色
读者对象
本书配套资源
致谢
第1章 初识激光雷达
1.1 激光雷达的基本原理
1.2 激光雷达的发展历程
1.3 车载激光雷达的分类
1.4 车载激光雷达的特点
1.5 车载激光雷达的应用功能
1.5.1 激光雷达在感知功能中的应用
1.5.2 激光雷达在SLAM功能中的应用
1.6 车载激光雷达的商用现状
1.7 本章小结
本章参考文献
第2章 空间变换数学基础
2.1 坐标系的欧氏变换基础
2.1.1 旋转和平移变换
2.1.2 旋转的欧拉角表示
2.1.3 旋转的轴角表示/旋转向量表示
2.1.4 旋转的单位四元数表示
2.2 李群和李代数基础
2.2.1 李群基础
2.2.2 李代数基础
2.3 本章小结
本章参考文献
第3章 激光雷达-车体的外参标定
3.1 引言
3.2 基于道路、标定物特征的LiDAR动态外参标定
3.2.1 SSAC第一阶段
3.2.2 SSAC第二阶段
3.3 基于手眼模型的LiDAR外参标定
3.3.1 手眼模型简述
3.3.2 使用Navy算法求解手眼模型
3.3.3 DriveWorks中激光雷达外参的标定
3.4 基于累积点云特征优化的LiDAR外参标定
3.4.1 AESC-MMS算法
3.4.2 DyLESC算法
3.5 本章小结
本章参考文献
第4章 LiDAR-Camera的外参标定
4.1 引言
4.2 基于标定物的L-C静态标定——ILCC算法
4.2.1 算法整体流程
4.2.2 特征交点提取过程
4.2.3 分步式外参求解
4.2.4 实验验证
4.3 无标定物的L-C静态标定——PESC算法
4.3.1 边缘特征提取
4.3.2 特征关联匹配
4.3.3 基于非线性优化的外参求解
4.4 无标定物的L-C动态在线标定——AOCCL算法
4.4.1 图像中的特征处理
4.4.2 点云中的特征处理
4.4.3 外参优化求解
4.5 本章小结
本章参考文献
第5章 基于3D激光点云的地面分割
5.1 引言
5.2 级联地面分割算法
5.2.1 障碍物、地面坡度对点云的影响
5.2.2 基于线束间激光点距离的初步分割
5.2.3 基于多区域地面拟合的精细分割
5.3 基于高程地图的地面点云分割
5.3.1 均值高程地图
5.3.2 扩展高程地图
5.4 基于马尔可夫随机场的地面点云分割
5.4.1 马尔可夫随机场构建及信念传播
5.4.2 梯度计算
5.4.3 改进方法
5.5 本章小结
本章参考文献
第6章 基于3D激光点云的聚类分割
6.1 引言
6.2 基于激光点间角度关系的聚类
6.2.1 Bogoslavskyi算法的基本思想
6.2.2 Bogoslavskyi算法的具体流程
6.2.3 Bogoslavskyi算法小结
6.3 基于扫描线分割的SLR聚类算法
6.3.1 SLR算法原理
6.3.2 SLR算法中点云的分割与合并过程
6.3.3 SLR算法小结
6.4 结合深度图和DBSCAN算法的3D点云聚类
6.4.1 DBSCAN算法简述
6.4.2 基于Range Image的改进型DBSCAN算法
6.4.3 算法小结
6.5 基于多视角的点云聚类分割——MVC算法
6.5.1 MVC算法的基本思想和流程
6.5.2 BEV投影下的初步聚类划分
6.5.3 深度图下的精细划分
6.5.4 算法测试
6.5.5 MVC算法小结
6.6 本章小结
本章参考文献
第7章 深度学习基础
7.1 人工神经网络基础
7.1.1 神经元模型
7.1.2 感知机和多层感知机
7.1.3 正向传导和误差反向传播机制
7.2 卷积神经网络基础
7.2.1 卷积操作的引入及其特点
7.2.2 卷积神经网络的基本结构
7.2.3 经典的图像卷积神经网络
7.3 ViT基础
7.3.1 经典的Transformer结构
7.3.2 ViT的基本结构
7.3.3 几种经典的ViT改进结构
7.4 本章小结
本章参考文献
第8章 基于3D激光点云的目标检测
8.1 引言
8.2 MLP架构的PointNet网络
8.2.1 PointNet网络模型的架构
8.2.2 PointNet网络的特点
8.3 PointNet网络改进之PointNet++网络
8.3.1 PointNet++网络模型的架构
8.3.2 层级式点集特征学习模块
8.3.3 非均匀采样密度下的特征学习
8.3.4 点云分割中的特征传播
8.3.5 算法小结
8.4 二阶段检测器——PointRCNN网络
8.4.1 PointRCNN网络模型的架构
8.4.2 模型细节特征
8.4.3 算法小结
8.5 基于体素的VoxelNet网络
8.5.1 VoxelNet网络模型的架构
8.5.2 VoxelNet网络细节分析
8.5.3 算法小结
8.6 实时性突破——PointPillars网络
8.6.1 PointPillars网络模型的架构
8.6.2 PointPillars网络细节分析
8.6.3 算法小结
8.7 基于深度图的RangeDet网络
8.7.1 RangeDet网络模型的架构
8.7.2 RangeDet网络细节分析
8.7.3 算法小结
8.8 多视角特征融合的MVF网络
8.8.1 MVF网络模型的架构
8.8.2 MVF网络细节分析
8.8.3 算法小结
8.9 本章小结
本章参考文献
第9章 基于3D激光点云的路沿检测
9.1 引言
9.2 基于人工规则的SAT-LRBD算法
9.2.1 算法流程
9.2.2 候选特征点提取
9.2.3 候选特征点分类
9.2.4 噪声点过滤和路沿特征点提取
9.2.5 算法小结
9.3 基于深度学习网络的U-AFCD算法
9.3.1 算法整体框架
9.3.2 基于U-Net的路沿特征点分割
9.3.3 非可见路沿推理及结果不确定性分析
9.3.4 算法小结
9.4 本章小结
本章参考文献
第10章 基于3D激光点云的多目标跟踪
10.1 引言
10.2 AB3DMOT算法
10.2.1 算法整体架构
10.2.2 算法各模块分析
10.2.3 算法小结
10.3 SimTrack算法
10.3.1 算法整体架构
10.3.2 算法各模块分析
10.3.3 算法小结
10.4 本章小结
本章参考文献
第11章 激光里程计
11.1 引言
11.2 基于特征点进行匹配注册的LOAM算法
11.2.1 LOAM算法框架
11.2.2 LOAM算法细节分析
11.2.3 激光里程计算法流程
11.2.4 激光雷达建图
11.2.5 算法小结
11.3 基于点云的正态分布特征进行匹配注册的NDT算法
11.3.1 点云的概率分布表示
11.3.2 点云匹配注册
11.3.3 算法小结
11.4 本章小结
本章参考文献
第12章 激光雷达+IMU组合定位
12.1 引言
12.2 IMU-AHFLO算法
12.2.1 IMU-AHFLO算法流程
12.2.2 基于IMU/轮速计的车辆位姿估计
12.2.3 基于EKF的松耦合过程
12.2.4 算法小结
12.3 LIO-SAM算法
12.3.1 因子图优化基础
12.3.2 IMU预积分基础
12.3.3 LIO-SAM算法流程及分析
12.3.4 算法小结
12.4 本章小结
本章参考文献
第13章 多传感器融合SLAM
13.1 引言
13.2 视觉、激光雷达、IMU融合的R2LIVE算法
13.2.1 算法总体流程介绍
13.2.2 基于滤波的里程计模块
13.2.3 因子图优化模块
13.2.4 算法小结
13.3 融合点云地图的TMFL算法
13.3.1 算法总体流程介绍
13.3.2 激光雷达特征地图构建
13.3.3 TMFL算法各模块分析
13.3.4 算法小结
13.4 本章小结
本章参考文献
第14章 展望未来
14.1 车载激光雷达的未来
14.1.1 车载激光雷达当前面临的挑战
14.1.2 车载激光雷达的发展趋势
14.2 激光感知算法的研究热点和趋势
14.3 激光定位算法的研究热点和趋势
14.4 本章小结
本章参考文献
更新时间：2024-05-24 17:31:14
完结共225章
倒序