智能网联汽车 激光与视觉SLAM详解

（1）多领域权威专家共著，指导实践：本书由来自AI、传感器、汽车、电子和算法等领域的15位专家共同撰写，跨越工业界与学术界。这不仅保障了内容的权威性和专业性，还从综合性、实用性的角度重新阐释激光与视觉SLAM技术，对其在智能汽车领域的实际应用具有指导意义。 （2）内容系统全面，实战案例与前沿技术并重：本书围绕激光与视觉SLAM技术，从基础理论、关键技术、应用实践到趋势洞察，其中对多传感器融合、点云处理、关键帧提取及后端优化等关键技术进行了深入讨论。理论与实践的结合，使得本书不仅适合于追求技术深度与广度的研究人员，还非常适合那些希望将理论应用于实践的工程师等阅读。 （3）洞察未来趋势，引领技术创新：本书着眼于未来，探讨了深度学习在SLAM中的应用前景以及激光SLAM和视觉SLAM技术的未来发展方向。不仅为读者提供了对未来科技趋势的深刻洞察，还为研究人员和技术开发者指明了创新的方向。对希望在自动驾驶、智能汽车等领域取得突破的读者具有参考价值。

前言
作者介绍
第1章 智能网联汽车及SLAM概述1
1.1 基本概念1
1.1.1 智能网联汽车1
1.1.2 SLAM定义2
1.1.3 地图的分类与作用4
1.1.4 SLAM技术探讨7
1.2 SLAM的应用现状10
1.2.1 自动驾驶等级10
1.2.2 技术难点11
1.2.3 SLAM的优势13
1.3 SLAM架构13
1.3.1 环境感知13
1.3.2 环境绘图14
1.3.3 运动规划16
1.3.4 车辆控制17
1.3.5 监控系统17
1.4 SLAM的发展阶段与应用前景18
1.4.1 SLAM演进的3个阶段18
1.4.2 SLAM的应用前景19
第2章 自动驾驶常用传感器及原理21
2.1 激光雷达22
2.1.1 激光雷达的种类22
2.1.2 三角测距激光雷达24
2.1.3 ToF激光雷达24
2.1.4 机械式激光雷达27
2.1.5 混合固态激光雷达28
2.1.6 固态激光雷达29
2.1.7 竞品对比31
2.1.8 核心部件33
2.1.9 应用及展望34
2.2 深度相机34
2.2.1 ToF深度相机35
2.2.2 结构光深度相机37
2.2.3 双目深度相机38
2.2.4 应用及展望41
2.3 毫米波雷达43
2.3.1 工作原理43
2.3.2 测距功能原理44
2.3.3 测速功能原理46
2.3.4 角度估算原理48
2.3.5 FoV计算原理48
2.3.6 核心参数49
2.3.7 应用及展望50
第3章 多传感器融合51
3.1 同步与标定52
3.1.1 时间硬同步52
3.1.2 时间软同步55
3.1.3 空间标定56
3.2 融合策略66
3.2.1 后融合67
3.2.2 前融合73
3.3 应用分析77
3.3.1 自动驾驶应用78
3.3.2 移动机器人应用79
3.3.3 机械臂应用80
第4章 激光SLAM81
4.1 点云预处理82
4.1.1 点云滤波82
4.1.2 点云分割84
4.1.3 点云运动补偿86
4.2 前端里程计89
4.2.1 基于直接匹配的迭代最近点算法89
4.2.2 基于特征匹配的正态分布变换算法92
4.2.3 ICP算法与NDT算法的比较96
4.3 关键帧提取97
4.3.1 基于帧间运动的关键帧提取97
4.3.2 基于时间间隔的关键帧提取98
4.4 后端优化100
4.4.1 基于图优化的后端优化101
4.4.2 基于滤波器的后端优化102
4.5 激光SLAM算法实战106
4.5.1 Cartographer算法106
4.5.2 Cartographer代码实战109
4.5.3 LOAM算法112
4.5.4 LOAM代码实战：A-LOAM118
4.5.5 LeGO-LOAM算法120
4.5.6 LeGO-LOAM代码实战125
4.5.7 LIO-SAM算法127
4.5.8 LIO-SAM代码实战133
第5章 视觉SLAM136
5.1 前端视觉里程计137
5.1.1 基于特征点法的视觉里程计137
5.1.2 基于直接法的视觉里程计152
5.2 后端非线性优化155
5.2.1 BA优化155
5.2.2 位姿图优化157
5.3 回环检测158
5.3.1 词袋模型159
5.3.2 深度学习模型161
5.4 建图162
5.4.1 度量地图162
5.4.2 拓扑地图162
5.4.3 特征点地图163
5.5 常用的视觉SLAM算法163
5.5.1 ORB SLAM 2架构164
5.5.2 SVO架构174
5.5.3 DSO架构178
5.5.4 VINS-Mono架构182
5.5.5 代码实战190
第6章 深度学习在SLAM中的应用193
6.1 深度学习与相机重定位193
6.1.1 基于深度神经网络的相机重定位方法194
6.1.2 基于检索的相机重定位方法194
6.1.3 全场景理解195
6.2 深度学习与特征点的提取及匹配196
6.2.1 深度卷积神经网络特征点的鉴别196
6.2.2 LIFT：基于深度学习的经典局部特征提取方法197
6.2.3 MatchNet：通过统一特征和度量学习实现基于补丁的匹配198
6.2.4 UCN：通用的图像关联预测器201
6.3 深度学习与视觉里程计203
6.4 深度学习与回环检测207
6.5 深度学习与语义SLAM208
6.5.1 语义分割网络209
6.5.2 构建语义地图212
6.5.3 ORB SLAM实际操作215
第7章 SLAM技术展望217
7.1 激光SLAM的应用及展望218
7.1.1 激光SLAM的应用现状218
7.1.2 激光SLAM的未来趋势220
7.2 视觉SLAM的应用及展望220
7.2.1 视觉SLAM的应用现状221
7.2.2 视觉SLAM的未来趋势222
后记223