舉報

會員
激光雷達感知與定位:從理論到實現
最新章節:
9.4 激光雷達未來可能的發展方向
激光雷達作為自動駕駛汽車的核心傳感器之一,在自動駕駛領域發揮著至關重要的作用。本書深度挖掘激光雷達關鍵技術,介紹激光雷達的原理、應用以及發展趨勢。本書共9章,包括激光雷達與自動駕駛的發展、激光雷達的基本工作原理、點云編程基礎、標定、SLAM、深度學習在激光雷達中的應用等內容。本書通過深入的理論解說和實際操作示例,幫助讀者輕松開發基于激光雷達的感知與定位模塊。此外,本書還展望了激光雷達的發展趨勢及其在汽車工業中的應用前景,為自動駕駛領域的研究和發展提供了參考依據。本書可作為希望進入自動駕駛汽車行業的汽車類、自動化類專業的學生的技術入門圖書,也可作為汽車工程師、對自動駕駛技術感興趣的讀者的參考書。
目錄(132章)
倒序
- 封面
- 版權信息
- 版權
- 內容提要
- 前言
- 第1章 激光雷達與自動駕駛概述
- 1.1 激光雷達與自動駕駛的概念
- 1.1.1 什么是激光雷達
- 1.1.2 什么是自動駕駛系統
- 1.2 激光雷達與自動駕駛的發展
- 1.2.1 早期的激光雷達
- 1.2.2 激光雷達與DARPA自動駕駛挑戰賽
- 1.3 激光雷達在自動駕駛系統和高精度地圖生產過程中的應用
- 1.3.1 自動駕駛系統的基本架構
- 1.3.2 激光雷達在自動駕駛系統中的應用
- 1.3.3 激光雷達在高精度地圖生產過程中的應用
- 1.4 激光雷達開發環境配置
- 參考文獻
- 第2章 激光雷達的基礎知識
- 2.1 激光雷達的基本工作原理
- 2.1.1 激光雷達的基本結構
- 2.1.2 激光雷達的數據
- 2.1.3 激光雷達的回波模式
- 2.1.4 激光雷達與人眼安全
- 2.2 車載激光雷達的分類
- 2.2.1 根據掃描方式分類
- 2.2.2 根據激光波長分類
- 2.3 激光雷達的關鍵性能指標和性能評估方法
- 2.3.1 激光雷達的關鍵性能指標
- 2.3.2 激光雷達的性能評估方法
- 參考文獻
- 第3章 PCL和ROS編程基礎
- 3.1 PCL編程基礎
- 3.1.1 PCL的基本概念和數據結構
- 3.1.2 PCD文件
- 3.1.3 構建第一個PCL程序
- 3.2 ROS編程基礎
- 3.2.1 ROS簡介
- 3.2.2 ROS中的基本概念
- 3.2.3 ROS命令行的常用指令
- 3.2.4 ROS項目的文件系統結構
- 3.2.5 Catkin構建工具
- 3.3 第一個PCL和ROS節點:基于體素網格濾波的降采樣
- 3.3.1 點云濾波
- 3.3.2 ROS C++編程實踐
- 3.3.3 構建并運行項目
- 參考文獻
- 第4章 點云平面分割、聚類和配準
- 4.1 點云平面分割:RANSAC算法原理和C++實踐
- 4.1.1 點云分割概述
- 4.1.2 RANSAC算法介紹
- 4.1.3 基于RANSAC平面擬合的地面點濾除ROS實戰
- 4.2 歐幾里得點云聚類算法和C++實踐
- 4.2.1 k-d樹:一種用于最近鄰搜索的數據結構
- 4.2.2 歐幾里得聚類方法
- 4.2.3 點云歐幾里得聚類PCL與ROS實踐
- 4.3 基于正態分布變換的點云配準
- 4.3.1 點云配準
- 4.3.2 NDT算法
- 4.3.3 使用NDT算法配準兩個點云
- 參考文獻
- 第5章 激光雷達標定原理與實踐
- 5.1 坐標系變換基礎與編程實踐
- 5.1.1 建圖、定位和感知中的坐標系
- 5.1.2 三維剛體變換的表征形式
- 5.1.3 齊次變換矩陣
- 5.1.4 Eigen編程基礎
- 5.1.5 ROS TF2編程基礎
- 5.1.6 坐標系變換編程實踐
- 5.2 多激光雷達自動標定方法與ROS實踐
- 5.2.1 多激光雷達標定和點云配準
- 5.2.2 用于多激光雷達自動標定的樣例數據包
- 5.2.3 多激光雷達標定代碼實例
- 5.2.4 使用測試數據實踐6顆激光雷達的標定
- 5.3 激光雷達-相機聯合標定ROS實踐
- 5.3.1 相機參數標定
- 5.3.2 相機-激光雷達聯合標定算法介紹
- 5.3.3 相機-激光雷達聯合標定工具構建和使用
- 參考文獻
- 第6章 激光雷達SLAM
- 6.1 激光雷達SLAM簡介
- 6.1.1 SLAM簡介
- 6.1.2 自動駕駛中的激光雷達SLAM
- 6.2 LeGO-LOAM算法詳解和ROS實踐
- 6.2.1 LeGO-LOAM算法簡介
- 6.2.2 LeGO-LOAM算法流程
- 6.2.3 使用LeGO-LOAM算法構建點云地圖
- 6.3 基于Scan Context的激光雷達閉環檢測方法實踐
- 6.3.1 Scan Context閉環檢測方法介紹
- 6.3.2 Scan Context閉環檢測C++實例
- 6.4 基于NDT算法的自動駕駛定位和ROS實踐
- 6.4.1 地圖數據準備
- 6.4.2 對激光雷達實時點云的降采樣
- 6.4.3 使用NDT實現高精度定位
- 6.4.4 構建和運行NDT激光雷達定位
- 參考文獻
- 第7章 基于深度學習的激光雷達三維目標檢測
- 7.1 點云三維目標檢測概述
- 7.1.1 三維目標檢測的背景和定義
- 7.1.2 點云三維目標檢測的常用數據集和性能指標
- 7.1.3 點云三維目標檢測方法的分類
- 7.2 基于VoxelNet的點云三維目標檢測
- 7.2.1 VoxelNet的結構
- 7.2.2 VoxelNet的損失函數
- 7.3 基于PointPillars的三維目標檢測和實戰
- 7.3.1 PointPillars的特點
- 7.3.2 PointPillars結構
- 7.3.3 訓練一個PointPillars
- 參考文獻
- 第8章 基于深度學習的激光雷達點云語義分割方法
- 8.1 自動駕駛中的點云語義分割
- 8.1.1 點云分割:傳統方法vs基于深度學習的方法
- 8.1.2 基于深度學習的點云語義分割方法的分類
- 8.1.3 點云語義分割的常用公開數據集
- 8.1.4 點云語義分割的性能評價指標
- 8.2 基于全卷積神經網絡的點云三維語義分割
- 8.2.1 全卷積神經網絡介紹
- 8.2.2 基于全卷積神經網絡的激光雷達三維分割
- 8.2.3 使用ROS和TensorRT實踐CNN Seg推理
- 8.3 PolarNet點云語義分割和PyTorch實戰
- 8.3.1 PolarNet神經網絡簡介
- 8.3.2 在SemanticKITTI數據集上訓練一個PolarNet
- 參考文獻
- 第9章 激光雷達的發展趨勢及其在汽車工業中的應用前景
- 9.1 激光雷達帶來的輔助駕駛能力變革
- 9.1.1 激光雷達在城市和高速領航輔助駕駛中的應用
- 9.1.2 激光雷達在記憶泊車中的應用
- 9.2 激光雷達在4級自動駕駛中的應用
- 9.2.1 激光雷達在自動駕駛出租車上的應用
- 9.2.2 激光雷達在自動駕駛卡車上的應用
- 9.3 激光雷達在低速機器人中的應用
- 9.4 激光雷達未來可能的發展方向 更新時間:2025-08-07 17:37:57
推薦閱讀
- GNU-Linux Rapid Embedded Programming
- 高效能辦公必修課:Word圖文處理
- 面向STEM的mBlock智能機器人創新課程
- 傳感器技術實驗教程
- 走入IBM小型機世界
- 圖形圖像處理(Photoshop)
- 來吧!帶你玩轉Excel VBA
- 數據挖掘實用案例分析
- Mastering Salesforce CRM Administration
- Hands-On Linux for Architects
- 深度學習中的圖像分類與對抗技術
- Linux Shell編程從初學到精通
- Linux系統管理員工具集
- 基于人工免疫原理的檢測系統模型及其應用
- 算法設計與分析
- Practical AWS Networking
- 計算機硬件技術基礎學習指導與練習
- 教育創新與創新人才:信息技術人才培養改革之路(四)
- 新世紀Photoshop CS6中文版應用教程
- Photoshop CS4圖像處理考前12小時
- Hadoop大數據開發基礎
- Python Data Mining Quick Start Guide
- 數字中國:大數據與政府管理決策
- Advanced Serverless Architectures with Microsoft Azure
- Bazaar Version Control
- 精通Qt4編程
- Cloud Foundry for Developers
- 程序員的AI書:從代碼開始
- 單片微機原理與接口技術
- Kali Linux Cookbook