自动驾驶技术已成为当今数字化时代汽车行业的热点话题之一。随着技术的不断成熟，越来越多的车辆采用激光SLAM（即时定位与地图构建）和视觉SLAM技术，实现更高层次的智能网联汽车。SLAM技术在智能网联汽车中的应用是非常重要的，在实现智能网联汽车过程中扮演着核心角色。它通过激光雷达、深度相机以及其他传感器来感知周围环境，同时进行地图构建和定位，从而实现车辆的自主导航和环境感知。
智能网联汽车：激光与视觉SLAM详解
陈苑锋 董雪 马建军 徐守龙 等著
汇聚学术界与工业界智慧
邀请AI、汽车、电子及算法领域的15位杰出专家
深入剖析SLAM技术在智能网联汽车领域中创新实践
限时五折优惠中！
本书对激光SLAM和视觉SLAM技术进行了系统介绍，并探讨了它们与智能网联汽车的关系。具体来说，本书详细阐述了SLAM技术在智能网联汽车中的应用现状、常用传感器及原理，探讨了多传感器融合、激光SLAM和视觉SLAM的原理及实战案例等，内容深入浅出，理论和实践相结合，非常适合初学者和有一定经验的从业者阅读。
除了SLAM技术本身外，本书还特别关注传感器在智能网联汽车中的重要性。激光雷达、深度相机以及毫米波雷达等传感器在智能网联汽车中扮演着关键角色，它们通过不同的原理实现对车辆周围环境的感知和识别。本书将介绍这些传感器的原理、应用场景以及多传感器融合的方法，以帮助读者更好地理解智能网联汽车系统的精度和鲁棒性。
本书还对深度学习在智能网联汽车SLAM技术中的应用进行了探讨，包括相机重定位、特征点的提取及匹配、视觉里程计、回环检测以及语义SLAM等方面。深度学习作为一种强大的人工智能技术，能够为智能网联汽车系统提供极大的帮助。我们将深入介绍这些应用，并展望智能网联汽车技术的发展前景和挑战。
本书为学生和相关从业者提供了一份理论与实践相结合的学习资料，内容覆盖了智能网联汽车技术的各个方面，包括传感器、控制系统、算法优化、安全性等。我们建议读者按照顺序逐章阅读，以确保对前置知识有充分的了解。
内容简介
作者简介
专家推荐
读者对象
本书适合自动驾驶、机器人技术、计算机视觉及相关领域的研究人员、工程师以及高等院校相关专业的师生阅读。通过本书，读者不仅能够获得SLAM技术的全面系统知识，还能深入理解其在智能网联汽车等领域的应用，为未来的研究与开发工作打下坚实的基础。
目录
Contents 目 录
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
视频解读
本文来源：原创，图片来源：原创
责任编辑：王莹，部门领导：宁姗
发布人：白钰
