本書內(nèi)容涵蓋了智能駕駛場(chǎng)景中常用的激光雷達(dá)的標(biāo)定、感知和定位算法。標(biāo)定算法部分介紹了有代表性的激光雷達(dá)與車體的外參標(biāo)定算法以及激光雷達(dá)和相機(jī)間的外參標(biāo)定算法；感知算法部分介紹了基于激光雷達(dá)進(jìn)行地面檢測(cè)、障礙物聚類、目標(biāo)檢測(cè)、多目標(biāo)跟蹤、路沿檢測(cè)的代表性算法；定位算法部分則介紹了幾種有影響力的激光里程計(jì)、激光雷達(dá)+IMU（intertial measurement unit，慣性測(cè)量單元）組合定位算法以及多傳感器融合定位與建圖算法。本書著重從理論出發(fā)，介紹激光雷達(dá)關(guān)鍵算法的原理，可為讀者提供車載激光雷達(dá)相關(guān)算法的基礎(chǔ)指導(dǎo)。
本書可作為高等院校車輛工程、機(jī)器人工程、交通工程專業(yè)和自動(dòng)駕駛專業(yè)的教材，也可供智能駕駛或機(jī)器人領(lǐng)域的技術(shù)愛(ài)好者以及激光雷達(dá)標(biāo)定、感知、定位算法工程師使用和參考。
原創(chuàng)智能駕駛激光雷達(dá)和算法的實(shí)踐落地的圖書，全彩印刷，效果和實(shí)例圖全彩呈現(xiàn)。
華為智能駕駛研發(fā)專家、清華大學(xué)教授、業(yè)界專家聯(lián)袂推薦
全面介紹激光雷達(dá)算法在智能駕駛中的應(yīng)用。
涵蓋激光雷達(dá)標(biāo)定、激光感知和激光SLAM等方向。
深入淺出、理論聯(lián)系實(shí)際，剖析激光雷達(dá)和智能駕駛中的關(guān)鍵技術(shù)和經(jīng)典算法。
揭皓翔 博士，先后在華為、東軟擔(dān)任高級(jí)算法工程師和技術(shù)負(fù)責(zé)人，在車輛及智能駕駛行業(yè)有多年的從業(yè)經(jīng)驗(yàn)。研究方向包括感知算法、SLAM算法、規(guī)控算法、自動(dòng)駕駛大模型等，發(fā)表SCI索引、CCF會(huì)議、EI索引論文十余篇。
目 錄
第 1章 初識(shí)激光雷達(dá) 1
1.1 激光雷達(dá)的基本原理 2
1.2 激光雷達(dá)的發(fā)展歷程 3
1.3 車載激光雷達(dá)的分類 3
1.4 車載激光雷達(dá)的特點(diǎn) 4
1.5 車載激光雷達(dá)的應(yīng)用功能 7
1.5.1 激光雷達(dá)在感知功能中的應(yīng)用 7
1.5.2 激光雷達(dá)在SLAM功能中的應(yīng)用 11
1.6 車載激光雷達(dá)的商用現(xiàn)狀 14
1.7 本章小結(jié) 16
本章參考文獻(xiàn) 16
第 2章 空間變換數(shù)學(xué)基礎(chǔ) 17
2.1 坐標(biāo)系的歐氏變換基礎(chǔ) 18
2.1.1 旋轉(zhuǎn)和平移變換 18
2.1.2 旋轉(zhuǎn)的歐拉角表示 21
2.1.3 旋轉(zhuǎn)的軸角表示/旋轉(zhuǎn)向量表示 22
2.1.4 旋轉(zhuǎn)的單位四元數(shù)表示 23
2.2 李群和李代數(shù)基礎(chǔ) 25
2.2.1 李群基礎(chǔ) 25
2.2.2 李代數(shù)基礎(chǔ) 26
2.3 本章小結(jié) 30
本章參考文獻(xiàn) 30
第3章 激光雷達(dá)-車體的外參標(biāo)定 31
3.1 引言 32
3.2 基于道路、標(biāo)定物特征的LiDAR動(dòng)態(tài)外參標(biāo)定 33
3.2.1 SSAC第 一階段 34
3.2.2 SSAC第二階段 36
3.3 基于手眼模型的LiDAR外參標(biāo)定 36
3.3.1 手眼模型簡(jiǎn)述 36
3.3.2 使用Navy算法求解手眼模型 37
3.3.3 DriveWorks中激光雷達(dá)外參的標(biāo)定 39
3.4 基于累積點(diǎn)云特征優(yōu)化的LiDAR外參標(biāo)定 40
3.4.1 AESC-MMS算法 41
3.4.2 DyLESC算法 43
3.5 本章小結(jié) 47
本章參考文獻(xiàn) 47
第4章 LiDAR-Camera的外參標(biāo)定 49
4.1 引言 50
4.2 基于標(biāo)定物的L-C靜態(tài)標(biāo)定——ILCC算法 51
4.2.1 算法整體流程 51
4.2.2 特征交點(diǎn)提取過(guò)程 51
4.2.3 分步式外參求解 55
4.2.4 實(shí)驗(yàn)驗(yàn)證 55
4.3 無(wú)標(biāo)定物的L-C靜態(tài)標(biāo)定——PESC算法 57
4.3.1 邊緣特征提取 57
4.3.2 特征關(guān)聯(lián)匹配 58
4.3.3 基于非線性優(yōu)化的外參求解 59
4.4 無(wú)標(biāo)定物的L-C動(dòng)態(tài)在線標(biāo)定——AOCCL算法 61
4.4.1 圖像中的特征處理 61
4.4.2 點(diǎn)云中的特征處理 62
4.4.3 外參優(yōu)化求解 62
4.5 本章小結(jié) 63
本章參考文獻(xiàn) 63
第5章 基于3D激光點(diǎn)云的地面分割 65
5.1 引言 66
5.2 級(jí)聯(lián)地面分割算法 69
5.2.1 障礙物、地面坡度對(duì)點(diǎn)云的影響 69
5.2.2 基于線束間激光點(diǎn)距離的初步分割 71
5.2.3 基于多區(qū)域地面擬合的精細(xì)分割 71
5.3 基于高程地圖的地面點(diǎn)云分割 72
5.3.1 均值高程地圖 73
5.3.2 擴(kuò)展高程地圖 74
5.4 基于馬爾可夫隨機(jī)場(chǎng)的地面點(diǎn)云分割 74
5.4.1 馬爾可夫隨機(jī)場(chǎng)構(gòu)建及信念傳播 74
5.4.2 梯度計(jì)算 75
5.4.3 改進(jìn)方法 76
5.5 本章小結(jié) 77
本章參考文獻(xiàn) 77
第6章 基于3D激光點(diǎn)云的聚類分割 80
6.1 引言 81
6.2 基于激光點(diǎn)間角度關(guān)系的聚類 84
6.2.1 Bogoslavskyi算法的基本思想 84
6.2.2 Bogoslavskyi算法的具體流程 85
6.2.3 Bogoslavskyi算法小結(jié) 86
6.3 基于掃描線分割的SLR聚類算法 86
6.3.1 SLR算法原理 86
6.3.2 SLR算法中點(diǎn)云的分割與合并過(guò)程 87
6.3.3 SLR算法小結(jié) 89
6.4 結(jié)合深度圖和DBSCAN算法的3D點(diǎn)云聚類 89
6.4.1 DBSCAN算法簡(jiǎn)述 89
6.4.2 基于Range Image的改進(jìn)型DBSCAN算法 92
6.4.3 算法小結(jié) 94
6.5 基于多視角的點(diǎn)云聚類分割——MVC算法 94
6.5.1 MVC算法的基本思想和流程 94
6.5.2 BEV投影下的初步聚類劃分 95
6.5.3 深度圖下的精細(xì)劃分 96
6.5.4 算法測(cè)試 97
6.5.5 MVC算法小結(jié) 100
6.6 本章小結(jié) 100
本章參考文獻(xiàn) 101
第7章 深度學(xué)習(xí)基礎(chǔ) 103
7.1 人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 104
7.1.1 神經(jīng)元模型 104
7.1.2 感知機(jī)和多層感知機(jī) 105
7.1.3 正向傳導(dǎo)和誤差反向傳播機(jī)制 106
7.2 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 108
7.2.1 卷積操作的引入及其特點(diǎn) 109
7.2.2 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu) 110
7.2.3 經(jīng)典的圖像卷積神經(jīng)網(wǎng)絡(luò) 114
7.3 ViT基礎(chǔ) 118
7.3.1 經(jīng)典的Transformer結(jié)構(gòu) 118
7.3.2 ViT的基本結(jié)構(gòu) 120
7.3.3 幾種經(jīng)典的ViT改進(jìn)結(jié)構(gòu) 121
7.4 本章小結(jié) 125
本章參考文獻(xiàn) 125
第8章 基于3D激光點(diǎn)云的目標(biāo)檢測(cè) 127
8.1 引言 128
8.2 MLP架構(gòu)的PointNet網(wǎng)絡(luò) 131
8.2.1 PointNet網(wǎng)絡(luò)模型的架構(gòu) 131
8.2.2 PointNet網(wǎng)絡(luò)的特點(diǎn) 132
8.3 PointNet網(wǎng)絡(luò)改進(jìn)之PointNet++網(wǎng)絡(luò) 133
8.3.1 PointNet++網(wǎng)絡(luò)模型的架構(gòu) 133
8.3.2 層級(jí)式點(diǎn)集特征學(xué)習(xí)模塊 134
8.3.3 非均勻采樣密度下的特征學(xué)習(xí) 135
8.3.4 點(diǎn)云分割中的特征傳播 136
8.3.5 算法小結(jié) 136
8.4 二階段檢測(cè)器—PointRCNN網(wǎng)絡(luò) 136
8.4.1 PointRCNN網(wǎng)絡(luò)模型的架構(gòu) 137
8.4.2 模型細(xì)節(jié)特征 137
8.4.3 算法小結(jié) 140
8.5 基于體素的VoxelNet網(wǎng)絡(luò) 140
8.5.1 VoxelNet網(wǎng)絡(luò)模型的架構(gòu) 141
8.5.2 VoxelNet網(wǎng)絡(luò)細(xì)節(jié)分析 141
8.5.3 算法小結(jié) 144
8.6 實(shí)時(shí)性突破——PointPillars網(wǎng)絡(luò) 144
8.6.1 PointPillars網(wǎng)絡(luò)模型的架構(gòu) 145
8.6.2 PointPillars網(wǎng)絡(luò)細(xì)節(jié)分析 145
8.6.3 算法小結(jié) 146
8.7 基于深度圖的RangeDet網(wǎng)絡(luò) 147
8.7.1 RangeDet網(wǎng)絡(luò)模型的架構(gòu) 147
8.7.2 RangeDet網(wǎng)絡(luò)細(xì)節(jié)分析 147
8.7.3 算法小結(jié) 150
8.8 多視角特征融合的MVF網(wǎng)絡(luò) 150
8.8.1 MVF網(wǎng)絡(luò)模型的架構(gòu) 150
8.8.2 MVF網(wǎng)絡(luò)細(xì)節(jié)分析 151
8.8.3 算法小結(jié) 153
8.9 本章小結(jié) 153
本章參考文獻(xiàn) 154
第9章 基于3D激光點(diǎn)云的路沿檢測(cè) 156
9.1 引言 157
9.2 基于人工規(guī)則的SAT-LRBD算法 158
9.2.1 算法流程 158
9.2.2 候選特征點(diǎn)提取 158
9.2.3 候選特征點(diǎn)分類 159
9.2.4 噪聲點(diǎn)過(guò)濾和路沿特征點(diǎn)提取 161
9.2.5 算法小結(jié) 162
9.3 基于深度學(xué)習(xí)網(wǎng)絡(luò)的U-AFCD算法 162
9.3.1 算法整體框架 162
9.3.2 基于U-Net的路沿特征點(diǎn)分割 163
9.3.3 非可見(jiàn)路沿推理及結(jié)果不確定性分析 164
9.3.4 算法小結(jié) 167
9.4 本章小結(jié) 167
本章參考文獻(xiàn) 168
第 10章 基于3D激光點(diǎn)云的多目標(biāo)跟蹤 170
10.1 引言 171
10.2 AB3DMOT算法 172
10.2.1 算法整體架構(gòu) 172
10.2.2 算法各模塊分析 172
10.2.3 算法小結(jié) 175
10.3 SimTrack算法 175
10.3.1 算法整體架構(gòu) 176
10.3.2 算法各模塊分析 176
10.3.3 算法小結(jié) 179
10.4 本章小結(jié) 179
本章參考文獻(xiàn) 180
第 11章 激光里程計(jì) 182
11.1 引言 183
11.2 基于特征點(diǎn)進(jìn)行匹配注冊(cè)的LOAM算法 185
11.2.1 LOAM算法框架 185
11.2.2 LOAM算法細(xì)節(jié)分析 186
11.2.3 激光里程計(jì)算法流程 189
11.2.4 激光雷達(dá)建圖 190
11.2.5 算法小結(jié) 191
11.3 基于點(diǎn)云的正態(tài)分布特征進(jìn)行匹配注冊(cè)的NDT算法 191
11.3.1 點(diǎn)云的概率分布表示 191
11.3.2 點(diǎn)云匹配注冊(cè) 193
11.3.3 算法小結(jié) 197
11.4 本章小結(jié) 197
本章參考文獻(xiàn) 198
第 12章 激光雷達(dá)+IMU組合定位 200
12.1 引言 201
12.2 IMU-AHFLO算法 202
12.2.1 IMU-AHFLO算法流程 203
12.2.2 基于IMU/輪速計(jì)的車輛位姿估計(jì) 204
12.2.3 基于EKF的松耦合過(guò)程 205
12.2.4 算法小結(jié) 208
12.3 LIO-SAM算法 208
12.3.1 因子圖優(yōu)化基礎(chǔ) 208
12.3.2 IMU預(yù)積分基礎(chǔ) 210
12.3.3 LIO-SAM算法流程及分析 214
12.3.4 算法小結(jié) 217
12.4 本章小結(jié) 218
本章參考文獻(xiàn) 218
第 13章 多傳感器融合SLAM 220
13.1 引言 221
13.2 視覺(jué)、激光雷達(dá)、IMU融合的R2LIVE算法 222
13.2.1 算法總體流程介紹 222
13.2.2 基于濾波的里程計(jì)模塊 223
13.2.3 因子圖優(yōu)化模塊 228
13.2.4 算法小結(jié) 228
13.3 融合點(diǎn)云地圖的TMFL算法 229
13.3.1 算法總體流程介紹 229
13.3.2 激光雷達(dá)特征地圖構(gòu)建 230
13.3.3 TMFL算法各模塊分析 231
13.3.4 算法小結(jié) 234
13.4 本章小結(jié) 234
本章參考文獻(xiàn) 234
第 14章 展望未來(lái) 237
14.1 車載激光雷達(dá)的未來(lái) 238
14.1.1 車載激光雷達(dá)當(dāng)前面臨的挑戰(zhàn) 238
14.1.2 車載激光雷達(dá)的發(fā)展趨勢(shì) 238
14.2 激光感知算法的研究熱點(diǎn)和趨勢(shì) 240
14.3 激光定位算法的研究熱點(diǎn)和趨勢(shì) 243
14.4 本章小結(jié) 245
本章參考文獻(xiàn) 246
書單推薦
