無人駕駛汽車SLAM導(dǎo)航定位技術(shù)

第1章　SLAM 基礎(chǔ)知識 001
1.1　引言 002
1.1.1　什么是SLAM？  002
1.1.2　SLAM 的發(fā)展歷史 003
1.1.3　應(yīng)用和挑戰(zhàn) 004
1.2　應(yīng)用于SLAM 的視覺傳感器 006
1.2.1　激光雷達(dá) 006
1.2.2　相機(jī) 008
1.3　視覺傳感器的數(shù)據(jù)預(yù)處理 011
1.3.1　圖像信息提取技術(shù) 012
1.3.2　語義與位置 012
1.3.3　語義與映射 013
1.3.4　點(diǎn)云特征提取技術(shù) 014
1.3.5　點(diǎn)云分割技術(shù) 016
1.4　如何實(shí)現(xiàn)SLAM？  018
1.4.1　SLAM 的工作流程 018
1.4.2　地圖構(gòu)建和更新 021
1.4.3　SLAM 數(shù)據(jù)集 023
1.5　SLAM 中的關(guān)鍵問題 024
本章小結(jié) 026
參考文獻(xiàn) 026
第2章　SLAM 數(shù)學(xué)基礎(chǔ) 029
2.1　仿射變換 030
2.1.1　仿射變換的定義 030
2.1.2　仿射變換的特例 032
2.1.3　仿射變換的性質(zhì) 034
2.2　對極約束和Essential 矩陣、Fundamental 矩陣 035
2.2.1　預(yù)備知識（各種坐標(biāo)轉(zhuǎn)換）  035
2.2.2　對極幾何 036
2.2.3　本質(zhì)矩陣和基礎(chǔ)矩陣 038
2.3　SVD 奇異值分解 039
2.3.1　預(yù)備知識 039
2.3.2　奇異值分解 040
2.4　單應(yīng)性 042
2.5　Homography、Essential 矩陣在共面、非共面及旋轉(zhuǎn)場景中的應(yīng)用 044
2.5.1　Homography 應(yīng)用 045
2.5.2　Essential 應(yīng)用 046
2.6　卡方分布和卡方檢驗(yàn) 047
2.6.1　什么是卡方分布？  047
2.6.2　什么是卡方檢驗(yàn)？  049
2.6.3　卡方分布和卡方檢驗(yàn)在SLAM 中的應(yīng)用 050
2.6.4　卡方檢驗(yàn)計(jì)算方法 051
2.7　矩陣變換 052
2.7.1　雅可比矩陣 053
2.7.2　黑森矩陣（二階矩陣方塊矩陣）  055
2.7.3　多元函數(shù)的泰勒定理 056
2.7.4　函數(shù)的極值條件 058
2.8　旋轉(zhuǎn)矩陣、旋轉(zhuǎn)向量、歐拉角推導(dǎo)與相互轉(zhuǎn)換 061
2.8.1　歐拉角 062
2.8.2　旋轉(zhuǎn)矩陣 063
2.8.3　歐拉角轉(zhuǎn)換為旋轉(zhuǎn)矩陣 065
2.8.4　旋轉(zhuǎn)矩陣與旋轉(zhuǎn)向量 066
2.9　G2O 優(yōu)化 066
2.9.1　預(yù)備知識：優(yōu)化 067
2.9.2　圖優(yōu)化的概念 067
2.9.3　圖優(yōu)化的實(shí)現(xiàn) 069
2.9.4　G2O 優(yōu)化 071
本章小結(jié) 074
參考文獻(xiàn) 074
第3章　基于視覺的SLAM 算法 076
3.1　引言 077
3.2　相機(jī)模型與標(biāo)定 077
3.2.1　針孔相機(jī)模型 077
3.2.2　畸變與相機(jī)標(biāo)定 079
3.3　特征點(diǎn)提取與匹配 081
3.3.1　Harris 角點(diǎn)檢測 081
3.3.2　SIFT 特征提取 083
3.3.3　匹配算法 085
3.4　視覺里程計(jì) 086
3.4.1　基于特征點(diǎn)的VO 算法 086
3.4.2　直接法VO 算法 089
3.5　基于傳統(tǒng)方法的VSLAM  090
3.5.1　基于特征點(diǎn)法的經(jīng)典視覺SLAM 算法（ORB-SLAM2）  090
3.5.2　基于像素點(diǎn)進(jìn)行概率的深度測量的SLAM 算法（LSD） 093
3.6　結(jié)合語義信息的VSLAM  097
3.6.1　基于Vanish Point 的三維目標(biāo)檢測的SLAM 算法（Cube-SLAM）  098
3.6.2　具有動態(tài)物體檢測和背景修復(fù)的VSLAM 算法（DynaSLAM） 100
本章小結(jié) 104
參考文獻(xiàn) 104
第4章　基于CAM＋I(xiàn)MU 的視覺慣性里程計(jì) 107
4.1　引言 108
4.1.1　慣性傳感器（IMU）  108
4.1.2　卡爾曼濾波 109
4.1.3　視覺慣性里程計(jì)（VIO）  110
4.1.4　VIO 的算法流程 110
4.2　基于優(yōu)化的VIO-SLAM  112
4.2.1　基于滑動窗口的緊耦合的單目VIO 系統(tǒng)（VINS-Mono）  112
4.2.2　基于關(guān)鍵幀的視覺慣性里程計(jì)SLAM（OKVIS）  122
4.3　基于卡爾曼濾波的VIO-SLAM  126
4.3.1　基于多狀態(tài)約束下的卡爾曼濾波器SLAM 算法（MSCKF）  126
4.3.2　擴(kuò)展MSCKF 算法（SR-ISWF）  133
4.4　基于GTSAM 的VIO-SLAM  139
4.4.1　因子圖和GTSAM  139
4.4.2　基于因子圖優(yōu)化的SLAM 算法 145
本章小結(jié) 149
參考文獻(xiàn) 150
第5章　基于Lidar 的激光慣性里程計(jì) 153
5.1　引言 154
5.2　激光雷達(dá)的工作方式 154
5.2.1　激光雷達(dá)數(shù)據(jù)的測距方法 155
5.2.2　激光雷達(dá)數(shù)據(jù)的處理方法 157
5.3　基于傳統(tǒng)方法的激光SLAM  158
5.3.1　基于特征點(diǎn)匹配的經(jīng)典激光SLAM 算法（LOAM）  158
5.3.2　面向自動駕駛場景的激光SLAM 算法（Lego-LOAM）  163
5.4　結(jié)合語義信息的激光SLAM  167
5.4.1　通過語義分割去除動態(tài)面元的SLAM 算法（SuMa＋＋）  167
5.4.2　參數(shù)化語義特征的語義激光雷達(dá)里程計(jì)SLAM 算法（PSF-LO)  173
本章小結(jié) 180
參考文獻(xiàn) 180
第6章　基于Lidar＋I(xiàn)MU 的激光慣性里程計(jì)算法 182
6.1　引言 183
6.1.1　Lidar＋I(xiàn)MU 的技術(shù)優(yōu)勢 183
6.1.2　如何進(jìn)行Lidar 和IMU 的數(shù)據(jù)融合 183
6.2　基于優(yōu)化算法的LIO-SLAM  184
6.2.1　緊耦合的三維激光慣性里程計(jì)（LIO-Mapping）  184
6.2.2　測試和分析 190
6.3　基于濾波算法的LIO-SLAM  193
6.3.1　基于迭代擴(kuò)展卡爾曼濾波的激光慣性里程計(jì)SLAM 算法（LINS） 193
6.3.2　測試和分析 197
本章小結(jié) 201
參考文獻(xiàn) 201
第7章　基于多傳感器的SLAM 算法 203
7.1　引言 204
7.1.1　SLAM 的多傳感器融合 204
7.1.2　多傳感器融合的優(yōu)勢 205
7.2　多傳感器數(shù)據(jù)的標(biāo)定 206
7.2.1　相機(jī)-IMU 標(biāo)定 207
7.2.2　激光雷達(dá)-IMU 標(biāo)定 209
7.2.3　相機(jī)-激光雷達(dá)標(biāo)定 212
7.3　基于多傳感器融合的SLAM 算法 214
7.3.1　利用激光雷達(dá)進(jìn)行深度增強(qiáng)的視覺SLAM 算法（LIMO）  214
7.3.2　利用視覺里程計(jì)提供先驗(yàn)的激光SLAM 算法（VLOAM）  220
本章小結(jié) 227
參考文獻(xiàn) 228