由浅入深，带你深入了解智能驾驶与车联网的社会背景与技术架构。
电子书
编辑推荐
一本书带你精通激光雷达算法，剖析智能驾驶中的关键技术。
内容简介
本书内容涵盖了智能驾驶场景中常用的激光雷达的标定、感知和定位算法。
标定算法部分介绍了有代表性的激光雷达与车体的外参标定算法以及激光雷达和相机间的外参标定算法；
感知算法部分介绍了基于激光雷达进行地面检测、障碍物聚类、目标检测、多目标跟踪、路沿检测的代表性算法；
定位算法部分则介绍了几种有影响力的激光里程计、激光雷达+IMU（intertial measurement unit，惯性测量单元）组合定位算法以及多传感器融合定位与建图算法。
本书着重从理论出发，介绍激光雷达关键算法的原理，可为读者提供车载激光雷达相关算法的基础指导。
本书可作为高等院校车辆工程、机器人工程、交通工程专业和自动驾驶专业的教材，也可供智能驾驶或机器人领域的技术爱好者以及激光雷达标定、感知、定位算法工程师使用和参考。
章节目录
- 版权信息
- 版 权
- 内容提要
- 前 言
- 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
展开全部
智能驾驶之激光雷达算法详解是2024年由人民邮电出版社出版,作者揭皓翔 编著。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《智能驾驶之激光雷达算法详解》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
电子书
“科技改变中国”系列丛书之一，带你看人工智能在我国的发展。
电子书
人工智能与无人机会碰撞出怎样的火花？无人机技术的发展正在打破我们长久以来的认知！
电子书
全面介绍国外车联网与网联自动驾驶和智能交通相关领域的产业、技术和政策的发展现状与发展趋势，并分析和研究车联网、网了自动驾驶和智能交通的应用、业务需求、体系架构、数据交换和技术发展路径。
电子书
- 以“从入门到精通”的写作方法构建内容，让读者入门容易。
为了使读者能够完全看懂本书的内容，本书遵循“从入门到精通”基础类图书的写法，循序渐进地讲解算法的知识。
- 破解语言难点，以“技术解惑”贯穿全书，绕过学习中的陷阱。
为了帮助读者学懂算法，每章都会有“技术解惑”模块，让读者知其然又知其所以然。
- 书中包含大量典型实例。
书中有195个实例，通过这些实例的练习，读者有更多的实践演练机会。
- 通过QQ群和网站论坛实现教学互动，形成互帮互学的朋友圈。
本书作者为了方便给读者答疑，特地提供了网站论坛、QQ群等技术支持，并且随时在线与读者互动。让大家在互学互帮中形成一个良好的学习编程的氛围。网站名称和群号，详见本书前言部分。
电子书
全民介绍汽车“新四化”浪潮下EEA的革新进程，重点呈现华为车载计算机与通信架构的技术创新。
电子书
本书基于华为公司在自动驾驶网络领域的技术积累和实践，以企业数字化转型背景下网络管理遇到的桎梏为切入点，介绍自动驾驶网络的诞生背景，展示自动驾驶网络的发展历程，详细剖析自动驾驶网络的概念，并给出分级标准，重点介绍企业自动驾驶网络的整体架构和关键技术。本书为网络技术支持工程师、网络管理员、网络运维工程师等ICT从业人员提供了自动驾驶网络规划设计和部署的技术指南，亦可为网络技术爱好者及高等院校相关专业的
电子书
数学基础：从历年数学建模竞赛入手，解读人工智能中的数学方法。
编程实践：100余个代码实例，全面讲解网络爬虫、数据存储与数据分析等内容。
算法应用：实战案例辅以丰富图解，详尽分析人工智能算法特性及其应用场景。
