舉報 
會員
智能駕駛之激光雷達算法詳解
最新章節：
本章參考文獻
本書內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（intertialmeasurementunit，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，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、交通工程專業和自動駕駛專業的教材，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。
- 本章參考文獻 更新時間：2024-05-24 17:31:14
- 14.4 本章小結
- 14.3 激光定位算法的研究熱點和趨勢
- 14.2 激光感知算法的研究熱點和趨勢
- 14.1.2 車載激光雷達的發展趨勢
- 14.1.1 車載激光雷達當前面臨的挑戰
- 14.1 車載激光雷達的未來
- 第14章 展望未來
- 本章參考文獻
- 13.4 本章小結
- 13.3.4 算法小結
- 13.3.3 TMFL算法各模塊分析
- 13.3.2 激光雷達特征地圖構建
- 13.3.1 算法總體流程介紹
- 13.3 融合點云地圖的TMFL算法
- 13.2.4 算法小結
- 13.2.3 因子圖優化模塊
- 13.2.2 基于濾波的里程計模塊
- 13.2.1 算法總體流程介紹
- 13.2 視覺、激光雷達、IMU融合的R2LIVE算法
- 13.1 引言
- 第13章 多傳感器融合SLAM
- 本章參考文獻
- 12.4 本章小結
- 12.3.4 算法小結
- 12.3.3 LIO-SAM算法流程及分析
- 12.3.2 IMU預積分基礎
- 12.3.1 因子圖優化基礎
- 12.3 LIO-SAM算法
- 12.2.4 算法小結
- 12.2.3 基于EKF的松耦合過程
- 12.2.2 基于IMU/輪速計的車輛位姿估計
- 12.2.1 IMU-AHFLO算法流程
- 12.2 IMU-AHFLO算法
- 12.1 引言
- 第12章 激光雷達+IMU組合定位
- 本章參考文獻
- 11.4 本章小結
- 11.3.3 算法小結
- 11.3.2 點云匹配注冊
- 11.3.1 點云的概率分布表示
- 11.3 基于點云的正態分布特征進行匹配注冊的NDT算法
- 11.2.5 算法小結
- 11.2.4 激光雷達建圖
- 11.2.3 激光里程計算法流程
- 11.2.2 LOAM算法細節分析
- 11.2.1 LOAM算法框架
- 11.2 基于特征點進行匹配注冊的LOAM算法
- 11.1 引言
- 第11章 激光里程計
- 本章參考文獻
- 10.4 本章小結
- 10.3.3 算法小結
- 10.3.2 算法各模塊分析
- 10.3.1 算法整體架構
- 10.3 SimTrack算法
- 10.2.3 算法小結
- 10.2.2 算法各模塊分析
- 10.2.1 算法整體架構
- 10.2 AB3DMOT算法
- 10.1 引言
- 第10章 基于3D激光點云的多目標跟蹤
- 本章參考文獻
- 9.4 本章小結
- 9.3.4 算法小結
- 9.3.3 非可見路沿推理及結果不確定性分析
- 9.3.2 基于U-Net的路沿特征點分割
- 9.3.1 算法整體框架
- 9.3 基于深度學習網絡的U-AFCD算法
- 9.2.5 算法小結
- 9.2.4 噪聲點過濾和路沿特征點提取
- 9.2.3 候選特征點分類
- 9.2.2 候選特征點提取
- 9.2.1 算法流程
- 9.2 基于人工規則的SAT-LRBD算法
- 9.1 引言
- 第9章 基于3D激光點云的路沿檢測
- 本章參考文獻
- 8.9 本章小結
- 8.8.3 算法小結
- 8.8.2 MVF網絡細節分析
- 8.8.1 MVF網絡模型的架構
- 8.8 多視角特征融合的MVF網絡
- 8.7.3 算法小結
- 8.7.2 RangeDet網絡細節分析
- 8.7.1 RangeDet網絡模型的架構
- 8.7 基于深度圖的RangeDet網絡
- 8.6.3 算法小結
- 8.6.2 PointPillars網絡細節分析
- 8.6.1 PointPillars網絡模型的架構
- 8.6 實時性突破——PointPillars網絡
- 8.5.3 算法小結
- 8.5.2 VoxelNet網絡細節分析
- 8.5.1 VoxelNet網絡模型的架構
- 8.5 基于體素的VoxelNet網絡
- 8.4.3 算法小結
- 8.4.2 模型細節特征
- 8.4.1 PointRCNN網絡模型的架構
- 8.4 二階段檢測器——PointRCNN網絡
- 8.3.5 算法小結
- 8.3.4 點云分割中的特征傳播
- 8.3.3 非均勻采樣密度下的特征學習
- 8.3.2 層級式點集特征學習模塊
- 8.3.1 PointNet++網絡模型的架構
- 8.3 PointNet網絡改進之PointNet++網絡
- 8.2.2 PointNet網絡的特點
- 8.2.1 PointNet網絡模型的架構
- 8.2 MLP架構的PointNet網絡
- 8.1 引言
- 第8章 基于3D激光點云的目標檢測
- 本章參考文獻
- 7.4 本章小結
- 7.3.3 幾種經典的ViT改進結構
- 7.3.2 ViT的基本結構
- 7.3.1 經典的Transformer結構
- 7.3 ViT基礎
- 7.2.3 經典的圖像卷積神經網絡
- 7.2.2 卷積神經網絡的基本結構
- 7.2.1 卷積操作的引入及其特點
- 7.2 卷積神經網絡基礎
- 7.1.3 正向傳導和誤差反向傳播機制
- 7.1.2 感知機和多層感知機
- 7.1.1 神經元模型
- 7.1 人工神經網絡基礎
- 第7章 深度學習基礎
- 本章參考文獻
- 6.6 本章小結
- 6.5.5 MVC算法小結
- 6.5.4 算法測試
- 6.5.3 深度圖下的精細劃分
- 6.5.2 BEV投影下的初步聚類劃分
- 6.5.1 MVC算法的基本思想和流程
- 6.5 基于多視角的點云聚類分割——MVC算法
- 6.4.3 算法小結
- 6.4.2 基于Range Image的改進型DBSCAN算法
- 6.4.1 DBSCAN算法簡述
- 6.4 結合深度圖和DBSCAN算法的3D點云聚類
- 6.3.3 SLR算法小結
- 6.3.2 SLR算法中點云的分割與合并過程
- 6.3.1 SLR算法原理
- 6.3 基于掃描線分割的SLR聚類算法
- 6.2.3 Bogoslavskyi算法小結
- 6.2.2 Bogoslavskyi算法的具體流程
- 6.2.1 Bogoslavskyi算法的基本思想
- 6.2 基于激光點間角度關系的聚類
- 6.1 引言
- 第6章 基于3D激光點云的聚類分割
- 本章參考文獻
- 5.5 本章小結
- 5.4.3 改進方法
- 5.4.2 梯度計算
- 5.4.1 馬爾可夫隨機場構建及信念傳播
- 5.4 基于馬爾可夫隨機場的地面點云分割
- 5.3.2 擴展高程地圖
- 5.3.1 均值高程地圖
- 5.3 基于高程地圖的地面點云分割
- 5.2.3 基于多區域地面擬合的精細分割
- 5.2.2 基于線束間激光點距離的初步分割
- 5.2.1 障礙物、地面坡度對點云的影響
- 5.2 級聯地面分割算法
- 5.1 引言
- 第5章 基于3D激光點云的地面分割
- 本章參考文獻
- 4.5 本章小結
- 4.4.3 外參優化求解
- 4.4.2 點云中的特征處理
- 4.4.1 圖像中的特征處理
- 4.4 無標定物的L-C動態在線標定——AOCCL算法
- 4.3.3 基于非線性優化的外參求解
- 4.3.2 特征關聯匹配
- 4.3.1 邊緣特征提取
- 4.3 無標定物的L-C靜態標定——PESC算法
- 4.2.4 實驗驗證
- 4.2.3 分步式外參求解
- 4.2.2 特征交點提取過程
- 4.2.1 算法整體流程
- 4.2 基于標定物的L-C靜態標定——ILCC算法
- 4.1 引言
- 第4章 LiDAR-Camera的外參標定
- 本章參考文獻
- 3.5 本章小結
- 3.4.2 DyLESC算法
- 3.4.1 AESC-MMS算法
- 3.4 基于累積點云特征優化的LiDAR外參標定
- 3.3.3 DriveWorks中激光雷達外參的標定
- 3.3.2 使用Navy算法求解手眼模型
- 3.3.1 手眼模型簡述
- 3.3 基于手眼模型的LiDAR外參標定
- 3.2.2 SSAC第二階段
- 3.2.1 SSAC第一階段
- 3.2 基于道路、標定物特征的LiDAR動態外參標定
- 3.1 引言
- 第3章 激光雷達-車體的外參標定
- 本章參考文獻
- 2.3 本章小結
- 2.2.2 李代數基礎
- 2.2.1 李群基礎
- 2.2 李群和李代數基礎
- 2.1.4 旋轉的單位四元數表示
- 2.1.3 旋轉的軸角表示/旋轉向量表示
- 2.1.2 旋轉的歐拉角表示
- 2.1.1 旋轉和平移變換
- 2.1 坐標系的歐氏變換基礎
- 第2章 空間變換數學基礎
- 本章參考文獻
- 1.7 本章小結
- 1.6 車載激光雷達的商用現狀
- 1.5.2 激光雷達在SLAM功能中的應用
- 1.5.1 激光雷達在感知功能中的應用
- 1.5 車載激光雷達的應用功能
- 1.4 車載激光雷達的特點
- 1.3 車載激光雷達的分類
- 1.2 激光雷達的發展歷程
- 1.1 激光雷達的基本原理
- 第1章 初識激光雷達
- 致謝
- 本書配套資源
- 讀者對象
- 本書特色
- 寫作背景
- 前言
- 內容提要
- 版權
- 版權信息
- 封面
- 封面
- 版權信息
- 版權
- 內容提要
- 前言
- 寫作背景
- 本書特色
- 讀者對象
- 本書配套資源
- 致謝
- 第1章 初識激光雷達
- 1.1 激光雷達的基本原理
- 1.2 激光雷達的發展歷程
- 1.3 車載激光雷達的分類
- 1.4 車載激光雷達的特點
- 1.5 車載激光雷達的應用功能
- 1.5.1 激光雷達在感知功能中的應用
- 1.5.2 激光雷達在SLAM功能中的應用
- 1.6 車載激光雷達的商用現狀
- 1.7 本章小結
- 本章參考文獻
- 第2章 空間變換數學基礎
- 2.1 坐標系的歐氏變換基礎
- 2.1.1 旋轉和平移變換
- 2.1.2 旋轉的歐拉角表示
- 2.1.3 旋轉的軸角表示/旋轉向量表示
- 2.1.4 旋轉的單位四元數表示
- 2.2 李群和李代數基礎
- 2.2.1 李群基礎
- 2.2.2 李代數基礎
- 2.3 本章小結
- 本章參考文獻
- 第3章 激光雷達-車體的外參標定
- 3.1 引言
- 3.2 基于道路、標定物特征的LiDAR動態外參標定
- 3.2.1 SSAC第一階段
- 3.2.2 SSAC第二階段
- 3.3 基于手眼模型的LiDAR外參標定
- 3.3.1 手眼模型簡述
- 3.3.2 使用Navy算法求解手眼模型
- 3.3.3 DriveWorks中激光雷達外參的標定
- 3.4 基于累積點云特征優化的LiDAR外參標定
- 3.4.1 AESC-MMS算法
- 3.4.2 DyLESC算法
- 3.5 本章小結
- 本章參考文獻
- 第4章 LiDAR-Camera的外參標定
- 4.1 引言
- 4.2 基于標定物的L-C靜態標定——ILCC算法
- 4.2.1 算法整體流程
- 4.2.2 特征交點提取過程
- 4.2.3 分步式外參求解
- 4.2.4 實驗驗證
- 4.3 無標定物的L-C靜態標定——PESC算法
- 4.3.1 邊緣特征提取
- 4.3.2 特征關聯匹配
- 4.3.3 基于非線性優化的外參求解
- 4.4 無標定物的L-C動態在線標定——AOCCL算法
- 4.4.1 圖像中的特征處理
- 4.4.2 點云中的特征處理
- 4.4.3 外參優化求解
- 4.5 本章小結
- 本章參考文獻
- 第5章 基于3D激光點云的地面分割
- 5.1 引言
- 5.2 級聯地面分割算法
- 5.2.1 障礙物、地面坡度對點云的影響
- 5.2.2 基于線束間激光點距離的初步分割
- 5.2.3 基于多區域地面擬合的精細分割
- 5.3 基于高程地圖的地面點云分割
- 5.3.1 均值高程地圖
- 5.3.2 擴展高程地圖
- 5.4 基于馬爾可夫隨機場的地面點云分割
- 5.4.1 馬爾可夫隨機場構建及信念傳播
- 5.4.2 梯度計算
- 5.4.3 改進方法
- 5.5 本章小結
- 本章參考文獻
- 第6章 基于3D激光點云的聚類分割
- 6.1 引言
- 6.2 基于激光點間角度關系的聚類
- 6.2.1 Bogoslavskyi算法的基本思想
- 6.2.2 Bogoslavskyi算法的具體流程
- 6.2.3 Bogoslavskyi算法小結
- 6.3 基于掃描線分割的SLR聚類算法
- 6.3.1 SLR算法原理
- 6.3.2 SLR算法中點云的分割與合并過程
- 6.3.3 SLR算法小結
- 6.4 結合深度圖和DBSCAN算法的3D點云聚類
- 6.4.1 DBSCAN算法簡述
- 6.4.2 基于Range Image的改進型DBSCAN算法
- 6.4.3 算法小結
- 6.5 基于多視角的點云聚類分割——MVC算法
- 6.5.1 MVC算法的基本思想和流程
- 6.5.2 BEV投影下的初步聚類劃分
- 6.5.3 深度圖下的精細劃分
- 6.5.4 算法測試
- 6.5.5 MVC算法小結
- 6.6 本章小結
- 本章參考文獻
- 第7章 深度學習基礎
- 7.1 人工神經網絡基礎
- 7.1.1 神經元模型
- 7.1.2 感知機和多層感知機
- 7.1.3 正向傳導和誤差反向傳播機制
- 7.2 卷積神經網絡基礎
- 7.2.1 卷積操作的引入及其特點
- 7.2.2 卷積神經網絡的基本結構
- 7.2.3 經典的圖像卷積神經網絡
- 7.3 ViT基礎
- 7.3.1 經典的Transformer結構
- 7.3.2 ViT的基本結構
- 7.3.3 幾種經典的ViT改進結構
- 7.4 本章小結
- 本章參考文獻
- 第8章 基于3D激光點云的目標檢測
- 8.1 引言
- 8.2 MLP架構的PointNet網絡
- 8.2.1 PointNet網絡模型的架構
- 8.2.2 PointNet網絡的特點
- 8.3 PointNet網絡改進之PointNet++網絡
- 8.3.1 PointNet++網絡模型的架構
- 8.3.2 層級式點集特征學習模塊
- 8.3.3 非均勻采樣密度下的特征學習
- 8.3.4 點云分割中的特征傳播
- 8.3.5 算法小結
- 8.4 二階段檢測器——PointRCNN網絡
- 8.4.1 PointRCNN網絡模型的架構
- 8.4.2 模型細節特征
- 8.4.3 算法小結
- 8.5 基于體素的VoxelNet網絡
- 8.5.1 VoxelNet網絡模型的架構
- 8.5.2 VoxelNet網絡細節分析
- 8.5.3 算法小結
- 8.6 實時性突破——PointPillars網絡
- 8.6.1 PointPillars網絡模型的架構
- 8.6.2 PointPillars網絡細節分析
- 8.6.3 算法小結
- 8.7 基于深度圖的RangeDet網絡
- 8.7.1 RangeDet網絡模型的架構
- 8.7.2 RangeDet網絡細節分析
- 8.7.3 算法小結
- 8.8 多視角特征融合的MVF網絡
- 8.8.1 MVF網絡模型的架構
- 8.8.2 MVF網絡細節分析
- 8.8.3 算法小結
- 8.9 本章小結
- 本章參考文獻
- 第9章 基于3D激光點云的路沿檢測
- 9.1 引言
- 9.2 基于人工規則的SAT-LRBD算法
- 9.2.1 算法流程
- 9.2.2 候選特征點提取
- 9.2.3 候選特征點分類
- 9.2.4 噪聲點過濾和路沿特征點提取
- 9.2.5 算法小結
- 9.3 基于深度學習網絡的U-AFCD算法
- 9.3.1 算法整體框架
- 9.3.2 基于U-Net的路沿特征點分割
- 9.3.3 非可見路沿推理及結果不確定性分析
- 9.3.4 算法小結
- 9.4 本章小結
- 本章參考文獻
- 第10章 基于3D激光點云的多目標跟蹤
- 10.1 引言
- 10.2 AB3DMOT算法
- 10.2.1 算法整體架構
- 10.2.2 算法各模塊分析
- 10.2.3 算法小結
- 10.3 SimTrack算法
- 10.3.1 算法整體架構
- 10.3.2 算法各模塊分析
- 10.3.3 算法小結
- 10.4 本章小結
- 本章參考文獻
- 第11章 激光里程計
- 11.1 引言
- 11.2 基于特征點進行匹配注冊的LOAM算法
- 11.2.1 LOAM算法框架
- 11.2.2 LOAM算法細節分析
- 11.2.3 激光里程計算法流程
- 11.2.4 激光雷達建圖
- 11.2.5 算法小結
- 11.3 基于點云的正態分布特征進行匹配注冊的NDT算法
- 11.3.1 點云的概率分布表示
- 11.3.2 點云匹配注冊
- 11.3.3 算法小結
- 11.4 本章小結
- 本章參考文獻
- 第12章 激光雷達+IMU組合定位
- 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/輪速計的車輛位姿估計
- 12.2.3 基于EKF的松耦合過程
- 12.2.4 算法小結
- 12.3 LIO-SAM算法
- 12.3.1 因子圖優化基礎
- 12.3.2 IMU預積分基礎
- 12.3.3 LIO-SAM算法流程及分析
- 12.3.4 算法小結
- 12.4 本章小結
- 本章參考文獻
- 第13章 多傳感器融合SLAM
- 13.1 引言
- 13.2 視覺、激光雷達、IMU融合的R2LIVE算法
- 13.2.1 算法總體流程介紹
- 13.2.2 基于濾波的里程計模塊
- 13.2.3 因子圖優化模塊
- 13.2.4 算法小結
- 13.3 融合點云地圖的TMFL算法
- 13.3.1 算法總體流程介紹
- 13.3.2 激光雷達特征地圖構建
- 13.3.3 TMFL算法各模塊分析
- 13.3.4 算法小結
- 13.4 本章小結
- 本章參考文獻
- 第14章 展望未來
- 14.1 車載激光雷達的未來
- 14.1.1 車載激光雷達當前面臨的挑戰
- 14.1.2 車載激光雷達的發展趨勢
- 14.2 激光感知算法的研究熱點和趨勢
- 14.3 激光定位算法的研究熱點和趨勢
- 14.4 本章小結
- 本章參考文獻 更新時間：2024-05-24 17:31:14
