书名：新能源与智能汽车技术丛书--无人驾驶汽车SLAM导航定位技术
定价：118.0
ISBN：9787122445643
作者：时培成 编著
版次：第1版
出版时间：2024-02

内容提要：
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。



作者简介：
无

目录：
第1章　SLAM 基础知识 001
1.1　引言 002
1.1.1　什么是SLAM？ 002
1.1.2　SLAM 的发展历史 003
1.1.3　应用和挑战 004
1.2　应用于SLAM 的视觉传感器 006
1.2.1　激光雷达 006
1.2.2　相机 008
1.3　视觉传感器的数据预处理 011
1.3.1　图像信息提取技术 012
1.3.2　语义与位置 012
1.3.3　语义与映射 013
1.3.4　点云特征提取技术 014
1.3.5　点云分割技术 016
1.4　如何实现SLAM？ 018
1.4.1　SLAM 的工作流程 018
1.4.2　地图构建和更新 021
1.4.3　SLAM 数据集 023
1.5　SLAM 中的关键问题 024
本章小结 026
参考文献 026

第2章　SLAM 数学基础 029
2.1　仿射变换 030
2.1.1　仿射变换的定义 030
2.1.2　仿射变换的特例 032
2.1.3　仿射变换的性质 034
2.2　对极约束和Essential 矩阵、Fundamental 矩阵 035
2.2.1　预备知识（各种坐标转换） 035
2.2.2　对极几何 036
2.2.3　本质矩阵和基础矩阵 038
2.3　SVD 奇异值分解 039
2.3.1　预备知识 039
2.3.2　奇异值分解 040
2.4　单应性 042
2.5　Homography、Essential 矩阵在共面、非共面及旋转场景中的应用 044
2.5.1　Homography 应用 045
2.5.2　Essential 应用 046
2.6　卡方分布和卡方检验 047
2.6.1　什么是卡方分布？ 047
2.6.2　什么是卡方检验？ 049
2.6.3　卡方分布和卡方检验在SLAM 中的应用 050
2.6.4　卡方检验计算方法 051
2.7　矩阵变换 052
2.7.1　雅可比矩阵 053
2.7.2　黑森矩阵（二阶矩阵方块矩阵） 055
2.7.3　多元函数的泰勒定理 056
2.7.4　函数的极值条件 058
2.8　旋转矩阵、旋转向量、欧拉角推导与相互转换 061
2.8.1　欧拉角 062
2.8.2　旋转矩阵 063
2.8.3　欧拉角转换为旋转矩阵 065
2.8.4　旋转矩阵与旋转向量 066
2.9　G2O 优化 066
2.9.1　预备知识：优化 067
2.9.2　图优化的概念 067
2.9.3　图优化的实现 069
2.9.4　G2O 优化 071
本章小结 074
参考文献 074

第3章　基于视觉的SLAM 算法 076
3.1　引言 077
3.2　相机模型与标定 077
3.2.1　针孔相机模型 077
3.2.2　畸变与相机标定 079
3.3　特征点提取与匹配 081
3.3.1　Harris 角点检测 081
3.3.2　SIFT 特征提取 083
3.3.3　匹配算法 085
3.4　视觉里程计 086
3.4.1　基于特征点的VO 算法 086
3.4.2　直接法VO 算法 089
3.5　基于传统方法的VSLAM 090
3.5.1　基于特征点法的经典视觉SLAM 算法（ORB-SLAM2） 090
3.5.2　基于像素点进行概率的深度测量的SLAM 算法（LSD） 093
3.6　结合语义信息的VSLAM 097
3.6.1　基于Vanish Point 的三维目标检测的SLAM 算法（Cube-SLAM） 098
3.6.2　具有动态物体检测和背景修复的VSLAM 算法（DynaSLAM） 100
本章小结 104
参考文献 104

第4章　基于CAM＋IMU 的视觉惯性里程计 107
4.1　引言 108
4.1.1　惯性传感器（IMU） 108
4.1.2　卡尔曼滤波 109
4.1.3　视觉惯性里程计（VIO） 110
4.1.4　VIO 的算法流程 110
4.2　基于优化的VIO-SLAM 112
4.2.1　基于滑动窗口的紧耦合的单目VIO 系统（VINS-Mono） 112
4.2.2　基于关键帧的视觉惯性里程计SLAM（OKVIS） 122
4.3　基于卡尔曼滤波的VIO-SLAM 126
4.3.1　基于多状态约束下的卡尔曼滤波器SLAM 算法（MSCKF） 126
4.3.2　扩展MSCKF 算法（SR-ISWF） 133
4.4　基于GTSAM 的VIO-SLAM 139
4.4.1　因子图和GTSAM 139
4.4.2　基于因子图优化的SLAM 算法 145
本章小结 149
参考文献 150

第5章　基于Lidar 的激光惯性里程计 153
5.1　引言 154
5.2　激光雷达的工作方式 154
5.2.1　激光雷达数据的测距方法 155
5.2.2　激光雷达数据的处理方法 157
5.3　基于传统方法的激光SLAM 158
5.3.1　基于特征点匹配的经典激光SLAM 算法（LOAM） 158
5.3.2　面向自动驾驶场景的激光SLAM 算法（Lego-LOAM） 163
5.4　结合语义信息的激光SLAM 167
5.4.1　通过语义分割去除动态面元的SLAM 算法（SuMa＋＋） 167
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) 173
本章小结 180
参考文献 180

第6章　基于Lidar＋IMU 的激光惯性里程计算法 182
6.1　引言 183
6.1.1　Lidar＋IMU 的技术优势 183
6.1.2　如何进行Lidar 和IMU 的数据融合 183
6.2　基于优化算法的LIO-SLAM 184
6.2.1　紧耦合的三维激光惯性里程计（LIO-Mapping） 184
6.2.2　测试和分析 190
6.3　基于滤波算法的LIO-SLAM 193
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） 193
6.3.2　测试和分析 197
本章小结 201
参考文献 201

第7章　基于多传感器的SLAM 算法 203
7.1　引言 204
7.1.1　SLAM 的多传感器融合 204
7.1.2　多传感器融合的优势 205
7.2　多传感器数据的标定 206
7.2.1　相机-IMU 标定 207
7.2.2　激光雷达-IMU 标定 209
7.2.3　相机-激光雷达标定 212
7.3　基于多传感器融合的SLAM 算法 214
7.3.1　利用激光雷达进行深度增强的视觉SLAM 算法（LIMO） 214
7.3.2　利用视觉里程计提供先验的激光SLAM 算法（VLOAM） 220
本章小结 227
参考文献 228