幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

無人駕駛汽車SLAM導航定位技術/新能源與智能汽車技術叢書

  • 作者：編者:時培成|責編:張海麗
  • 出版社：化學工業
  • ISBN：9787122445643
  • 出版日期：2024/02/01
  • 裝幀：平裝
  • 頁數：229
人民幣：RMB 118 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    隨著人工智慧的興起，基於各種深度學習的圖像處理方法被應用到無人駕駛汽車SLAM（同步定位與地圖構建）導航定位中，極大推動了無人駕駛汽車的進步與發展。本書主要介紹SLAM相關數學知識及核心演算法在無人駕駛汽車導航定位中的應用，其中，既包括數學理論基礎，如仿射變換、SVD分解，又包括SLAM的經典演算法實現，如因子圖優化、卡爾曼濾波等。本書從學術界及工業界的角度，全面展示了SLAM經典演算法，如基於視覺的經典SLAM演算法——ORB-SLAM2，以及基於激光雷達的經典SLAM演算法——LOAM。本書還指出了多感測器、深度學習等關鍵技術在無人駕駛汽車SLAM導航定位中的應用，以及當前需要攻克的重點、難點。
    本書可作為高等院校汽車工程、自動控制等專業高年級本科生、研究生的參考教材，同時也可供相關領域的技術人員參考。
作者介紹
編者:時培成|責編:張海麗
目錄
第1章  SLAM基礎知識
  1.1  引言
    1.1.1  什麼是SLAM？
    1.1.2  SLAM的發展歷史
    1.1.3  應用和挑戰
  1.2  應用於SLAM的視覺感測器
    1.2.1  激光雷達
    1.2.2  相機
  1.3  視覺感測器的數據預處理
    1.3.1  圖像信息提取技術
    1.3.2  語義與位置
    1.3.3  語義與映射
    1.3.4  點雲特徵提取技術
    1.3.5  點雲分割技術
  1.4  如何實現SLAM？
    1.4.1  SLAM的工作流程
    1.4.2  地圖構建和更新
    1.4.3  SLAM數據集
  1.5  SLAM中的關鍵問題
  本章小結
  參考文獻
第2章  SLAM數學基礎
  2.1  仿射變換
    2.1.1  仿射變換的定義
    2.1.2  仿射變換的特例
    2.1.3  仿射變換的性質
  2.2  對極約束和Essential矩陣、Fundamental矩陣
    2.2.1  預備知識（各種坐標轉換）
    2.2.2  對極幾何
    2.2.3  本質矩陣和基礎矩陣
  2.3  SVD奇異值分解
    2.3.1  預備知識
    2.3.2  奇異值分解
  2.4  單應性
  2.5  Homography、Essential矩陣在共面、非共面及旋轉場景中的應用
    2.5.1  Homography應用
    2.5.2  Essential應用
  2.6  卡方分佈和卡方檢驗
    2.6.1  什麼是卡方分佈？
    2.6.2  什麼是卡方檢驗？
    2.6.3  卡方分佈和卡方檢驗在SLAM中的應用
    2.6.4  卡方檢驗計算方法
  2.7  矩陣變換
    2.7.1  雅可比矩陣
    2.7.2  黑森矩陣（二階矩陣方塊矩陣）
    2.7.3  多元函數的泰勒定理
    2.7.4  函數的極值條件
  2.8  旋轉矩陣、旋轉向量、歐拉角推導與相互轉換
    2.8.1  歐拉角
    2.8.2  旋轉矩陣

    2.8.3  歐拉角轉換為旋轉矩陣
    2.8.4  旋轉矩陣與旋轉向量
  2.9  G2O優化
    2.9.1  預備知識：優化
    2.9.2  圖優化的概念
    2.9.3  圖優化的實現
    2.9.4  G2O優化
  本章小結
  參考文獻
第3章  基於視覺的SLAM演算法
  3.1  引言
  3.2  相機模型與標定
    3.2.1  針孔相機模型
    3.2.2  畸變與相機標定
  3.3  特徵點提取與匹配
    3.3.1  Harris角點檢測
    3.3.2  SIFT特徵提取
    3.3.3  匹配演算法
  3.4  視覺里程計
    3.4.1  基於特徵點的VO演算法
    3.4.2  直接法VO演算法
  3.5  基於傳統方法的VSLAM
    3.5.1  基於特徵點法的經典視覺SLAM演算法（ORB-SLAM2）
    3.5.2  基於像素點進行概率的深度測量的SLAM演算法（LSD）
  3.6  結合語義信息的VSLAM
    3.6.1  基於VanishPoint的三維目標檢測的SLAM演算法（Cube-SLAM）
    3.6.2  具有動態物體檢測和背景修復的VSLAM演算法（DynaSLAM）
  本章小結
  參考文獻
第4章  基於CAM+IMU的視覺慣性里程計
  4.1  引言
    4.1.1  慣性感測器（IMU）
    4.1.2  卡爾曼濾波
    4.1.3  視覺慣性里程計（VIO）
    4.1.4  VIO的演算法流程
  4.2  基於優化的VIO-SLAM
    4.2.1  基於滑動窗口的緊耦合的單目VIO系統（VINS-Mono）
    4.2.2  基於關鍵幀的視覺慣性里程計SLAM（OKVIS）
  4.3  基於卡爾曼濾波的VIO-SLAM
    4.3.1  基於多狀態約束下的卡爾曼濾波器SLAM演算法（MSCKF）
    4.3.2  擴展MSCKF演算法（SR-ISWF）
  4.4  基於GTSAM的VIO-SLAM
    4.4.1  因子圖和GTSAM
    4.4.2  基於因子圖優化的SLAM演算法
  本章小結
  參考文獻
第5章  基於Lidar的激光慣性里程計
  5.1  引言
  5.2  激光雷達的工作方式
    5.2.1  激光雷達數據的測距方法

    5.2.2  激光雷達數據的處理方法
  5.3  基於傳統方法的激光SLAM
    5.3.1  基於特徵點匹配的經典激光SLAM演算法（LOAM）
    5.3.2  面向自動駕駛場景的激光SLAM演算法（Lego-LOAM）
  5.4  結合語義信息的激光SLAM
    5.4.1  通過語義分割去除動態面元的SLAM演算法（SuMa++）
    5.4.2  參數化語義特徵的語義激光雷達里程計SLAM演算法（PSF-LO）
  本章小結
  參考文獻
第6章  基於Lidar+IMU的激光慣性里程計演算法
  6.1  引言
    6.1.1  Lidar+IMU的技術優勢
    6.1.2  如何進行Lidar和IMU的數據融合
  6.2  基於優化演算法的LIO-SLAM
    6.2.1  緊耦合的三維激光慣性里程計（LIO-Mapping）
    6.2.2  測試和分析
  6.3  基於濾波演算法的LIO-SLAM
    6.3.1  基於迭代擴展卡爾曼濾波的激光慣性里程計SLAM演算法（LINS）
    6.3.2  測試和分析
  本章小結
  參考文獻
第7章  基於多感測器的SLAM演算法
  7.1  引言
    7.1.1  SLAM的多感測器融合
    7.1.2  多感測器融合的優勢
  7.2  多感測器數據的標定
    7.2.1  相機-IMU標定
    7.2.2  激光雷達-IMU標定
    7.2.3  相機-激光雷達標定
  7.3  基於多感測器融合的SLAM演算法
    7.3.1  利用激光雷達進行深度增強的視覺SLAM演算法（LIMO）
    7.3.2  利用視覺里程計提供先驗的激光SLAM演算法（VLOAM）
  本章小結
  參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032