本書內(nèi)容涵蓋了智能駕駛場景中常用的激光雷達的標定、感知和定位算法。標定算法部分介紹了有代表性的激光雷達與車體的外參標定算法以及激光雷達和相機間的外參標定算法；感知算法部分介紹了基于激光雷達進行地面檢測、障礙物聚類、目標檢測、多目標跟蹤、路沿檢測的代表性算法；定位算法部分則介紹了幾種有影響力的激光里程計、激光雷達+IMU（intertial measurement unit，慣性測量單元）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)，介紹激光雷達關鍵算法的原理，可為讀者提供車載激光雷達相關算法的基礎指導。
本書可作為高等院校車輛工程、機器人工程、交通工程專業(yè)和自動駕駛專業(yè)的教材，也可供智能駕駛或機器人領域的技術愛好者以及激光雷達標定、感知、定位算法工程師使用和參考。
原創(chuàng)智能駕駛激光雷達和算法的實踐落地的圖書，全彩印刷，效果和實例圖全彩呈現(xiàn)。
華為智能駕駛研發(fā)專家、清華大學教授、業(yè)界專家聯(lián)袂推薦
全面介紹激光雷達算法在智能駕駛中的應用。
涵蓋激光雷達標定、激光感知和激光SLAM等方向。
深入淺出、理論聯(lián)系實際，剖析激光雷達和智能駕駛中的關鍵技術和經(jīng)典算法。
揭皓翔 博士，先后在華為、東軟擔任高級算法工程師和技術負責人，在車輛及智能駕駛行業(yè)有多年的從業(yè)經(jīng)驗。研究方向包括感知算法、SLAM算法、規(guī)控算法、自動駕駛大模型等，發(fā)表SCI索引、CCF會議、EI索引論文十余篇。
目 錄
第 1章 初識激光雷達 1
1.1 激光雷達的基本原理 2
1.2 激光雷達的發(fā)展歷程 3
1.3 車載激光雷達的分類 3
1.4 車載激光雷達的特點 4
1.5 車載激光雷達的應用功能 7
1.5.1 激光雷達在感知功能中的應用 7
1.5.2 激光雷達在SLAM功能中的應用 11
1.6 車載激光雷達的商用現(xiàn)狀 14
1.7 本章小結(jié) 16
本章參考文獻 16
第 2章 空間變換數(shù)學基礎 17
2.1 坐標系的歐氏變換基礎 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 25
2.2.1 李群基礎 25
2.2.2 李代數(shù)基礎 26
2.3 本章小結(jié) 30
本章參考文獻 30
第3章 激光雷達-車體的外參標定 31
3.1 引言 32
3.2 基于道路、標定物特征的LiDAR動態(tài)外參標定 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外參標定 36
3.3.1 手眼模型簡述 36
3.3.2 使用Navy算法求解手眼模型 37
3.3.3 DriveWorks中激光雷達外參的標定 39
3.4 基于累積點云特征優(yōu)化的LiDAR外參標定 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 47
第4章 LiDAR-Camera的外參標定 49
4.1 引言 50
4.2 基于標定物的L-C靜態(tài)標定——ILCC算法 51
4.2.1 算法整體流程 51
4.2.2 特征交點提取過程 51
4.2.3 分步式外參求解 55
4.2.4 實驗驗證 55
4.3 無標定物的L-C靜態(tài)標定——PESC算法 57
4.3.1 邊緣特征提取 57
4.3.2 特征關聯(lián)匹配 58
4.3.3 基于非線性優(yōu)化的外參求解 59
4.4 無標定物的L-C動態(tài)在線標定——AOCCL算法 61
4.4.1 圖像中的特征處理 61
4.4.2 點云中的特征處理 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 63
第5章 基于3D激光點云的地面分割 65
5.1 引言 66
5.2 級聯(lián)地面分割算法 69
5.2.1 障礙物、地面坡度對點云的影響 69
5.2.2 基于線束間激光點距離的初步分割 71
5.2.3 基于多區(qū)域地面擬合的精細分割 71
5.3 基于高程地圖的地面點云分割 72
5.3.1 均值高程地圖 73
5.3.2 擴展高程地圖 74
5.4 基于馬爾可夫隨機場的地面點云分割 74
5.4.1 馬爾可夫隨機場構建及信念傳播 74
5.4.2 梯度計算 75
5.4.3 改進方法 76
5.5 本章小結(jié) 77
本章參考文獻 77
第6章 基于3D激光點云的聚類分割 80
6.1 引言 81
6.2 基于激光點間角度關系的聚類 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算法中點云的分割與合并過程 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點云聚類 89
6.4.1 DBSCAN算法簡述 89
6.4.2 基于Range Image的改進型DBSCAN算法 92
6.4.3 算法小結(jié) 94
6.5 基于多視角的點云聚類分割——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 深度圖下的精細劃分 96
6.5.4 算法測試 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 101
第7章 深度學習基礎 103
7.1 人工神經(jīng)網(wǎng)絡基礎 104
7.1.1 神經(jīng)元模型 104
7.1.2 感知機和多層感知機 105
7.1.3 正向傳導和誤差反向傳播機制 106
7.2 卷積神經(jīng)網(wǎng)絡基礎 108
7.2.1 卷積操作的引入及其特點 109
7.2.2 卷積神經(jīng)網(wǎng)絡的基本結(jié)構 110
7.2.3 經(jīng)典的圖像卷積神經(jīng)網(wǎng)絡 114
7.3 ViT基礎 118
7.3.1 經(jīng)典的Transformer結(jié)構 118
7.3.2 ViT的基本結(jié)構 120
7.3.3 幾種經(jīng)典的ViT改進結(jié)構 121
7.4 本章小結(jié) 125
本章參考文獻 125
第8章 基于3D激光點云的目標檢測 127
8.1 引言 128
8.2 MLP架構的PointNet網(wǎng)絡 131
8.2.1 PointNet網(wǎng)絡模型的架構 131
8.2.2 PointNet網(wǎng)絡的特點 132
8.3 PointNet網(wǎng)絡改進之PointNet++網(wǎng)絡 133
8.3.1 PointNet++網(wǎng)絡模型的架構 133
8.3.2 層級式點集特征學習模塊 134
8.3.3 非均勻采樣密度下的特征學習 135
8.3.4 點云分割中的特征傳播 136
8.3.5 算法小結(jié) 136
8.4 二階段檢測器—PointRCNN網(wǎng)絡 136
8.4.1 PointRCNN網(wǎng)絡模型的架構 137
8.4.2 模型細節(jié)特征 137
8.4.3 算法小結(jié) 140
8.5 基于體素的VoxelNet網(wǎng)絡 140
8.5.1 VoxelNet網(wǎng)絡模型的架構 141
8.5.2 VoxelNet網(wǎng)絡細節(jié)分析 141
8.5.3 算法小結(jié) 144
8.6 實時性突破——PointPillars網(wǎng)絡 144
8.6.1 PointPillars網(wǎng)絡模型的架構 145
8.6.2 PointPillars網(wǎng)絡細節(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 147
8.7.1 RangeDet網(wǎng)絡模型的架構 147
8.7.2 RangeDet網(wǎng)絡細節(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 150
8.8.1 MVF網(wǎng)絡模型的架構 150
8.8.2 MVF網(wǎng)絡細節(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 154
第9章 基于3D激光點云的路沿檢測 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 候選特征點提取 158
9.2.3 候選特征點分類 159
9.2.4 噪聲點過濾和路沿特征點提取 161
9.2.5 算法小結(jié) 162
9.3 基于深度學習網(wǎng)絡的U-AFCD算法 162
9.3.1 算法整體框架 162
9.3.2 基于U-Net的路沿特征點分割 163
9.3.3 非可見路沿推理及結(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 168
第 10章 基于3D激光點云的多目標跟蹤 170
10.1 引言 171
10.2 AB3DMOT算法 172
10.2.1 算法整體架構 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 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 180
第 11章 激光里程計 182
11.1 引言 183
11.2 基于特征點進行匹配注冊的LOAM算法 185
11.2.1 LOAM算法框架 185
11.2.2 LOAM算法細節(jié)分析 186
11.2.3 激光里程計算法流程 189
11.2.4 激光雷達建圖 190
11.2.5 算法小結(jié) 191
11.3 基于點云的正態(tài)分布特征進行匹配注冊的NDT算法 191
11.3.1 點云的概率分布表示 191
11.3.2 點云匹配注冊 193
11.3.3 算法小結(jié) 197
11.4 本章小結(jié) 197
本章參考文獻 198
第 12章 激光雷達+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/輪速計的車輛位姿估計 204
12.2.3 基于EKF的松耦合過程 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 208
12.3.2 IMU預積分基礎 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 218
第 13章 多傳感器融合SLAM 220
13.1 引言 221
13.2 視覺、激光雷達、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 激光雷達特征地圖構建 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 234
第 14章 展望未來 237
14.1 車載激光雷達的未來 238
14.1.1 車載激光雷達當前面臨的挑戰(zhàn) 238
14.1.2 車載激光雷達的發(fā)展趨勢 238
14.2 激光感知算法的研究熱點和趨勢 240
14.3 激光定位算法的研究熱點和趨勢 243
14.4 本章小結(jié) 245
本章參考文獻 246
書單推薦
