一本书打通 SLAM 在智能汽车 / 自动驾驶领域应用
自动驾驶技术已成为当今数字化时代汽车行业的热点话题之一。随着技术的不断成熟，越来越多的车辆采用激光 SLAM（即时定位与地图构建）和视觉 SLAM 技术，实现更高层次的智能网联汽车。SLAM 技术在智能网联汽车中的应用是非常重要的，在实现智能网联汽车过程中扮演着核心角色。它通过激光雷达、深度相机以及其他传感器来感知周围环境，同时进行地图构建和定位，从而实现车辆的自主导航和环境感知。
智能网联汽车：激光与视觉 SLAM 详解
陈苑锋 董雪 马建军 徐守龙 等著
汇聚学术界与工业界智慧
邀请 AI、汽车、电子及算法领域的 15 位杰出专家
深入剖析 SLAM 技术在智能网联汽车领域中创新实践
限时五折优惠中！
购买链接
本书对激光 SLAM 和视觉 SLAM 技术进行了系统介绍，并探讨了它们与智能网联汽车的关系。具体来说，本书详细阐述了 SLAM 技术在智能网联汽车中的应用现状、常用传感器及原理，探讨了多传感器融合、激光 SLAM 和视觉 SLAM 的原理及实战案例等，内容深入浅出，理论和实践相结合，非常适合初学者和有一定经验的从业者阅读。
除了 SLAM 技术本身外，本书还特别关注传感器在智能网联汽车中的重要性。激光雷达、深度相机以及毫米波雷达等传感器在智能网联汽车中扮演着关键角色，它们通过不同的原理实现对车辆周围环境的感知和识别。本书将介绍这些传感器的原理、应用场景以及多传感器融合的方法，以帮助读者更好地理解智能网联汽车系统的精度和鲁棒性。
本书还对深度学习在智能网联汽车 SLAM 技术中的应用进行了探讨，包括相机重定位、特征点的提取及匹配、视觉里程计、回环检测以及语义 SLAM 等方面。深度学习作为一种强大的人工智能技术，能够为智能网联汽车系统提供极大的帮助。我们将深入介绍这些应用，并展望智能网联汽车技术的发展前景和挑战。
本书为学生和相关从业者提供了一份理论与实践相结合的学习资料，内容覆盖了智能网联汽车技术的各个方面，包括传感器、控制系统、算法优化、安全性等。我们建议读者按照顺序逐章阅读，以确保对前置知识有充分的了解。
内容简介
本书对激光 SLAM 和视觉 SLAM 技术进行了系统介绍，涉及基础理论、关键技术、应用实践及未来趋势，并探讨了它们与智能网联汽车的关系。既是想要在自动驾驶和智能汽车领域取得突破的从业者的阅读选择，也是追求 SLAM 技术深度与广度的专业人士的学习资料。
具体来说，本书从智能网联汽车的基本概念入手，详细介绍了 SLAM 技术的发展历程、架构设计、核心算法以及在自动驾驶等级中的应用现状和技术难点。不仅分析了多传感器融合技术的同步与标定方法、融合策略，还深入探讨了激光 SLAM 和视觉 SLAM 的点云处理、关键帧提取、后端优化等关键技术，并通过 Cartographer、LOAM、LeGO-LOAM、LIO-SAM 等算法的代码实战，展示了 SLAM 技术的实际应用。此外，着重讲解了深度学习在 SLAM 中的应用，如相机重定位、特征点提取与匹配、视觉里程计、回环检测以及语义 SLAM 的最新进展。最后，展望了激光 SLAM 和视觉 SLAM 技术的未来发展趋势，提供了宝贵的行业洞察。
作者简介
陈苑锋 复旦大学微电子学理学博士，高级职称。英国萨塞克斯人工智能学院客座教授、中国国际 “互联网 +” 大学生创新创业大赛国赛评委、上海市职业技能大赛专家评委、上海市工程系列计算机专业中级职称专家评委等。先后在三星（韩国本部）、华为、阿里巴巴、美的集团等公司从事技术研发及管理工作。在集成电路、智能产品、机器人和物联网领域有多年研发经验。
董雪 澳大利亚阿德莱德大学博士，上海交通大学副教授、博士生导师。研究方向包括激光成像、图像处理、自主移动平台的传感器融合、即时定位导航及路径规划等，发表学术论文 40 余篇，主持国家自然科学基金、上海市扬帆计划、沃尔沃汽车可持续发展项目等。熟悉车端传感器的功能和特点，以及基于深度学习算法的传感器融合。近年来的学术成果和工程应用经验集中于单目无监督深度感知算法，基于对抗生成网络的数据挖掘，基于 CONV-LSTM、光流神经网络的高频高分辨率图像重建，端到端神经网络的复杂系统建模等方向。
专家推荐
自动驾驶技术快速发展，对高精度的 SLAM 技术的要求也日益提高。本书体系化地介绍了激光 SLAM 和视觉 SLAM 技术，从常用传感器的原理到多传感器融合技术的实际应用均有系统讲解，为读者提供了一个清晰的技术蓝图，是一本理论与实践相结合的优秀著作。
—— 李向荣 无锡车联天下智能座舱首席科学家
这本书不仅深入浅出地讲解了激光与视觉 SLAM 技术的基础原理，还详细展示了其在智能网联汽车中的应用以及多传感器融合的前沿进展，为相关从业者提供了宝贵的理论与实践指导。本书能满足读者的实际需要，因此强烈推荐。
—— 曲元宁 博世汽车部件（苏州）有限公司高级系统软件工程师
本书通过详细解释 SLAM 技术的基本原理，介绍常用传感器及多传感器融合的策略，为读者呈现了一个全面的技术视角。更为珍贵的是，书中结合实战案例，将抽象理论与实际应用密切结合，使读者既能从中获得专业的理论知识，又能获得宝贵的实战灵感。
—— 杨虎 地平线系统安全总监
SLAM 技术是智能网联汽车的关键技术，本书全面介绍了激光 SLAM 和视觉 SLAM 的基本原理，并配以案例说明，将复杂的概念简单化，让知识更容易理解。推荐从事精准定位和导航工作的从业者阅读学习。
—— 赵鑫 禾赛科技高级总监 /《汽车电子功能安全实战应用》主编
读者对象
本书适合自动驾驶、机器人技术、计算机视觉及相关领域的研究人员、工程师以及高等院校相关专业的师生阅读。通过本书，读者不仅能够获得 SLAM 技术的全面系统知识，还能深入理解其在智能网联汽车等领域的应用，为未来的研究与开发工作打下坚实的基础。
目录
Contents 目 录
前言
作者介绍
第 1 章 智能网联汽车及 SLAM 概述 1
1.1 基本概念 1
1.1.1 智能网联汽车 1
1.1.2 SLAM 定义 2
1.1.3 地图的分类与作用 4
1.1.4 SLAM 技术探讨 7
1.2 SLAM 的应用现状 10
1.2.1 自动驾驶等级 10
1.2.2 技术难点 11
1.2.3 SLAM 的优势 13
1.3 SLAM 架构 13
1.3.1 环境感知 13
1.3.2 环境绘图 14
1.3.3 运动规划 16
1.3.4 车辆控制 17
1.3.5 监控系统 17
1.4 SLAM 的发展阶段与应用前景 18
1.4.1 SLAM 演进的 3 个阶段 18
1.4.2 SLAM 的应用前景 19
第 2 章 自动驾驶常用传感器及原理 21
2.1 激光雷达 22
2.1.1 激光雷达的种类 22
2.1.2 三角测距激光雷达 24
2.1.3 ToF 激光雷达 24
2.1.4 机械式激光雷达 27
2.1.5 混合固态激光雷达 28
2.1.6 固态激光雷达 29
2.1.7 竞品对比 31
2.1.8 核心部件 33
2.1.9 应用及展望 34
2.2 深度相机 34
2.2.1 ToF 深度相机 35
2.2.2 结构光深度相机 37
2.2.3 双目深度相机 38
2.2.4 应用及展望 41
2.3 毫米波雷达 43
2.3.1 工作原理 43
2.3.2 测距功能原理 44
2.3.3 测速功能原理 46
2.3.4 角度估算原理 48
2.3.5 FoV 计算原理 48
2.3.6 核心参数 49
2.3.7 应用及展望 50
第 3 章 多传感器融合 51
3.1 同步与标定 52
3.1.1 时间硬同步 52
3.1.2 时间软同步 55
3.1.3 空间标定 56
3.2 融合策略 66
3.2.1 后融合 67
3.2.2 前融合 73
3.3 应用分析 77
3.3.1 自动驾驶应用 78
3.3.2 移动机器人应用 79
3.3.3 机械臂应用 80
第 4 章 激光 SLAM81
4.1 点云预处理 82
4.1.1 点云滤波 82
4.1.2 点云分割 84
4.1.3 点云运动补偿 86
4.2 前端里程计 89
4.2.1 基于直接匹配的迭代最近点算法 89
4.2.2 基于特征匹配的正态
分布变换算法 92
4.2.3 ICP 算法与 NDT 算法的比较 96
4.3 关键帧提取 97
4.3.1 基于帧间运动的关键帧提取 97
4.3.2 基于时间间隔的关键帧提取 98
4.4 后端优化 100
4.4.1 基于图优化的后端优化 101
4.4.2 基于滤波器的后端优化 102
4.5 激光 SLAM 算法实战 106
4.5.1 Cartographer 算法 106
4.5.2 Cartographer 代码实战 109
4.5.3 LOAM 算法 112
4.5.4 LOAM 代码实战：A-LOAM118
4.5.5 LeGO-LOAM 算法 120
4.5.6 LeGO-LOAM 代码实战 125
4.5.7 LIO-SAM 算法 127
4.5.8 LIO-SAM 代码实战 133
第 5 章 视觉 SLAM136
5.1 前端视觉里程计 137
5.1.1 基于特征点法的视觉里程计 137
5.1.2 基于直接法的视觉里程计 152
5.2 后端非线性优化 155
5.2.1 BA 优化 155
5.2.2 位姿图优化 157
5.3 回环检测 158
5.3.1 词袋模型 159
5.3.2 深度学习模型 161
5.4 建图 162
5.4.1 度量地图 162
5.4.2 拓扑地图 162
5.4.3 特征点地图 163
5.5 常用的视觉 SLAM 算法 163
5.5.1 ORB SLAM 2 架构 164
5.5.2 SVO 架构 174
5.5.3 DSO 架构 178
5.5.4 VINS-Mono 架构 182
5.5.5 代码实战 190
第 6 章 深度学习在 SLAM 中的应用 193
6.1 深度学习与相机重定位 193
6.1.1 基于深度神经网络的相机重定位方法 194
6.1.2 基于检索的相机重定位方法 194
6.1.3 全场景理解 195
6.2 深度学习与特征点的提取及匹配 196
6.2.1 深度卷积神经网络特征点的鉴别 196
6.2.2 LIFT：基于深度学习的经典局部特征提取方法 197
6.2.3 MatchNet：通过统一特征和度量学习实现基于补丁的匹配 198
6.2.4 UCN：通用的图像关联预测器 201
6.3 深度学习与视觉里程计 203
6.4 深度学习与回环检测 207
6.5 深度学习与语义 SLAM208
6.5.1 语义分割网络 209
6.5.2 构建语义地图 212
6.5.3 ORB SLAM 实际操作 215
第 7 章 SLAM 技术展望 217
7.1 激光 SLAM 的应用及展望 218
7.1.1 激光 SLAM 的应用现状 218
7.1.2 激光 SLAM 的未来趋势 220
7.2 视觉 SLAM 的应用及展望 220
7.2.1 视觉 SLAM 的应用现状 221
7.2.2 视觉 SLAM 的未来趋势 222
后记 223
