激光雷達感知與定位 從理論到實現(xiàn)

第1章 激光雷達與自動駕駛概述 1
1.1 激光雷達與自動駕駛的概念 1
1.1.1 什么是激光雷達 1
1.1.2 什么是自動駕駛系統(tǒng) 3
1.2 激光雷達與自動駕駛的發(fā)展 4
1.2.1 早期的激光雷達 4
1.2.2 激光雷達與DARPA自動駕駛挑戰(zhàn)賽 6
1.3 激光雷達在自動駕駛系統(tǒng)和高精度地圖生產(chǎn)過程中的應用 7
1.3.1 自動駕駛系統(tǒng)的基本架構 7
1.3.2 激光雷達在自動駕駛系統(tǒng)中的應用 12
1.3.3 激光雷達在高精度地圖生產(chǎn)過程中的應用 13
1.4 激光雷達開發(fā)環(huán)境配置 14
參考文獻 15

第2章 激光雷達的基礎知識 16
2.1 激光雷達的基本工作原理 16
2.1.1 激光雷達的基本結構 16
2.1.2 激光雷達的數(shù)據(jù) 18
2.1.3 激光雷達的回波模式 21
2.1.4 激光雷達與人眼安全 22
2.2 車載激光雷達的分類 23
2.2.1 根據(jù)掃描方式分類 24
2.2.2 根據(jù)激光波長分類 26
2.3 激光雷達的關鍵性能指標和性能評估方法 27
2.3.1 激光雷達的關鍵性能指標 28
2.3.2 激光雷達的性能評估方法 30
參考文獻 34

第3章 PCL和ROS編程基礎 35
3.1 PCL編程基礎 35
3.1.1 PCL的基本概念和數(shù)據(jù)結構 35
3.1.2 PCD文件 36
3.1.3 構建第一個PCL程序 37
3.2 ROS編程基礎 46
3.2.1 ROS簡介 46
3.2.2 ROS中的基本概念 47
3.2.3 ROS命令行的常用指令 51
3.2.4 ROS項目的文件系統(tǒng)結構 52
3.2.5 Catkin構建工具 53
3.3 第一個PCL和ROS節(jié)點： 基于體素網(wǎng)格濾波的降采樣 55
3.3.1 點云濾波 55
3.3.2 ROS C 編程實踐 56
3.3.3 構建并運行項目 65
參考文獻 69

第4章 點云平面分割、聚類和配準 70
4.1 點云平面分割：RANSAC算法原理和Ｃ 實踐 70
4.1.1 點云分割概述 70
4.1.2 RANSAC算法介紹 71
4.1.3 基于RANSAC平面擬合的地面點濾除ROS實戰(zhàn) 76
4.2 歐幾里得點云聚類算法和C 實踐 84
4.2.1 k-d樹：一種用于最近鄰搜索的數(shù)據(jù)結構 84
4.2.2 歐幾里得聚類方法 89
4.2.3 點云歐幾里得聚類PCL與ROS實踐 92
4.3 基于正態(tài)分布變換的點云配準 97
4.3.1 點云配準 97
4.3.2 NDT算法 100
4.3.3 使用NDT算法配準兩個點云 103
參考文獻 108

第5章 激光雷達標定原理與實踐 109
5.1 坐標系變換基礎與編程實踐 109
5.1.1 建圖、定位和感知中的坐標系 109
5.1.2 三維剛體變換的表征形式 110
5.1.3 齊次變換矩陣 113
5.1.4 Eigen編程基礎 115
5.1.5 ROS TF2編程基礎 116
5.1.6 坐標系變換編程實踐 120
5.2 多激光雷達自動標定方法與ROS實踐 126
5.2.1 多激光雷達標定和點云配準 127
5.2.2 用于多激光雷達自動標定的樣例數(shù)據(jù)包 128
5.2.3 多激光雷達標定代碼實例 129
5.2.4 使用測試數(shù)據(jù)實踐6顆激光雷達的標定 135
5.3 激光雷達-相機聯(lián)合標定ROS實踐 138
5.3.1 相機參數(shù)標定 138
5.3.2 相機-激光雷達聯(lián)合標定算法介紹 142
5.3.3 相機-激光雷達聯(lián)合標定工具構建和使用 151
參考文獻 154

第6章 激光雷達SLAM 155
6.1 激光雷達SLAM簡介 155
6.1.1 SLAM簡介 155
6.1.2 自動駕駛中的激光雷達SLAM 156
6.2 LeGO-LOAM算法詳解和ROS實踐 158
6.2.1 LeGO-LOAM算法簡介 158
6.2.2 LeGO-LOAM算法流程 159
6.2.3 使用LeGO-LOAM算法構建點云地圖 165
6.3 基于Scan Context的激光雷達閉環(huán)檢測方法實踐 168
6.3.1 Scan Context閉環(huán)檢測方法介紹 169
6.3.2 Scan Context閉環(huán)檢測C 實例 173
6.4 基于NDT算法的自動駕駛定位和ROS實踐 180
6.4.1 地圖數(shù)據(jù)準備 180
6.4.2 對激光雷達實時點云的降采樣 181
6.4.3 使用NDT實現(xiàn)高精度定位 183
6.4.4 構建和運行NDT激光雷達定位 189
參考文獻 191

第7章 基于深度學習的激光雷達三維目標檢測 192
7.1 點云三維目標檢測概述 192
7.1.1 三維目標檢測的背景和定義 192
7.1.2 點云三維目標檢測的常用數(shù)據(jù)集和性能指標 195
7.1.3 點云三維目標檢測方法的分類 197
7.2 基于VoxelNet的點云三維目標檢測 199
7.2.1 VoxelNet的結構 199
7.2.2 VoxelNet的損失函數(shù) 203
7.3 基于PointPillars的三維目標檢測和實戰(zhàn) 204
7.3.1 PointPillars的特點 204
7.3.2 PointPillars結構 205
7.3.3 訓練一個PointPillars 208
參考文獻 212

第8章 基于深度學習的激光雷達點云語義分割方法 214
8.1 自動駕駛中的點云語義分割 214
8.1.1 點云分割：傳統(tǒng)方法vs基于深度學習的方法 215
8.1.2 基于深度學習的點云語義分割方法的分類 215
8.1.3 點云語義分割的常用公開數(shù)據(jù)集 217
8.1.4 點云語義分割的性能評價指標 219
8.2 基于全卷積神經(jīng)網(wǎng)絡的點云三維語義分割 220
8.2.1 全卷積神經(jīng)網(wǎng)絡介紹 220
8.2.2 基于全卷積神經(jīng)網(wǎng)絡的激光雷達三維分割 222
8.2.3 使用ROS和TensorRT實踐CNN Seg推理 223
8.3 PolarNet點云語義分割和PyTorch實戰(zhàn) 226
8.3.1 PolarNet神經(jīng)網(wǎng)絡簡介 226
8.3.2 在SemanticKITTI數(shù)據(jù)集上訓練一個PolarNet 228
參考文獻 233

第9章 激光雷達的發(fā)展趨勢及其在汽車工業(yè)中的應用前景 235
9.1 激光雷達帶來的輔助駕駛能力變革 235
9.1.1 激光雷達在城市和高速領航輔助駕駛中的應用 237
9.1.2 激光雷達在記憶泊車中的應用 239
9.2 激光雷達在4級自動駕駛中的應用 240
9.2.1 激光雷達在自動駕駛出租車上的應用 240
9.2.2 激光雷達在自動駕駛卡車上的應用 242
9.3 激光雷達在低速機器人中的應用 243
9.4 激光雷達未來可能的發(fā)展方向 244