無人駕駛汽車SLAM導航定位技術時培成 9787122445643 【台灣高等教育出版社】

Name: 無人駕駛汽車SLAM導航定位技術 時培成 9787122445643 【台灣高等教育出版社】
Brand: abooksthep
Price: 750.0 TWD
Availability: InStock

圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：化學工業

NT$750

商品編號:

供貨狀況: 尚有庫存

加入最愛

商品介紹

*數量非實際在台庫存
*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為實際資訊。
印行年月：202402*若逾兩年請先於私訊洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：無人駕駛汽車SLAM導航定位技術
ISBN：9787122445643
出版社：化學工業
著編譯者：時培成
叢書名：新能源與智能汽車技術叢書
頁數：229
所在地：中國大陸 *此為代購商品
書號：1611503
可大量預訂，請先連絡。

內容簡介

隨著人工智慧的興起，基於各種深度學習的圖像處理方法被應用到無人駕駛汽車SLAM（同步定位與地圖構建）導航定位中，極大推動了無人駕駛汽車的進步與發展。本書主要介紹SLAM相關數學知識及核心演算法在無人駕駛汽車導航定位中的應用，其中，既包括數學理論基礎，如仿射變換、SVD分解，又包括SLAM的經典演算法實現，如因子圖優化、卡爾曼濾波等。本書從學術界及工業界的角度，全面展示了SLAM經典演算法，如基於視覺的經典SLAM演算法——ORB-SLAM2，以及基於激光雷達的經典SLAM演算法——LOAM。本書還指出了多感測器、深度學習等關鍵技術在無人駕駛汽車SLAM導航定位中的應用，以及當前需要攻克的重點、難點。本書可作為高等院校汽車工程、自動控制等專業高年級本科生、研究生的參考教材，同時也可供相關領域的技術人員參考。

第1章 SLAM基礎知識
1 1 引言
1 1 1 什麼是SLAM？
1 1 2 SLAM的發展歷史
1 1 3 應用和挑戰
1 2 應用於SLAM的視覺感測器
1 2 1 激光雷達
1 2 2 相機
1 3 視覺感測器的數據預處理
1 3 1 圖像信息提取技術
1 3 2 語義與位置
1 3 3 語義與映射
1 3 4 點雲特徵提取技術
1 3 5 點雲分割技術
1 4 如何實現SLAM？
1 4 1 SLAM的工作流程
1 4 2 地圖構建和更新
1 4 3 SLAM數據集
1 5 SLAM中的關鍵問題
本章小結
參考文獻
第2章 SLAM數學基礎
2 1 仿射變換
2 1 1 仿射變換的定義
2 1 2 仿射變換的特例
2 1 3 仿射變換的性質
2 2 對極約束和Essential矩陣、Fundamental矩陣
2 2 1 預備知識（各種坐標轉換）
2 2 2 對極幾何
2 2 3 本質矩陣和基礎矩陣
2 3 SVD奇異值分解
2 3 1 預備知識
2 3 2 奇異值分解
2 4 單應性
2 5 Homography、Essential矩陣在共面、非共面及旋轉場景中的應用
2 5 1 Homography應用
2 5 2 Essential應用
2 6 卡方分佈和卡方檢驗
2 6 1 什麼是卡方分佈？
2 6 2 什麼是卡方檢驗？
2 6 3 卡方分佈和卡方檢驗在SLAM中的應用
2 6 4 卡方檢驗計算方法
2 7 矩陣變換
2 7 1 雅可比矩陣
2 7 2 黑森矩陣（二階矩陣方塊矩陣）
2 7 3 多元函數的泰勒定理
2 7 4 函數的極值條件
2 8 旋轉矩陣、旋轉向量、歐拉角推導與相互轉換
2 8 1 歐拉角
2 8 2 旋轉矩陣
2 8 3 歐拉角轉換為旋轉矩陣
2 8 4 旋轉矩陣與旋轉向量
2 9 G2O優化
2 9 1 預備知識：優化
2 9 2 圖優化的概念
2 9 3 圖優化的實現
2 9 4 G2O優化
本章小結
參考文獻
第3章基於視覺的SLAM演算法
3 1 引言
3 2 相機模型與標定
3 2 1 針孔相機模型
3 2 2 畸變與相機標定
3 3 特徵點提取與匹配
3 3 1 Harris角點檢測
3 3 2 SIFT特徵提取
3 3 3 匹配演算法
3 4 視覺里程計
3 4 1 基於特徵點的VO演算法
3 4 2 直接法VO演算法
3 5 基於傳統方法的VSLAM
3 5 1 基於特徵點法的經典視覺SLAM演算法（ORB-SLAM2）
3 5 2 基於像素點進行概率的深度測量的SLAM演算法（LSD）
3 6 結合語義信息的VSLAM
3 6 1 基於VanishPoint的三維目標檢測的SLAM演算法（Cube-SLAM）
3 6 2 具有動態物體檢測和背景修復的VSLAM演算法（DynaSLAM）
本章小結
參考文獻
第4章基於CAM+IMU的視覺慣性里程計
4 1 引言
4 1 1 慣性感測器（IMU）
4 1 2 卡爾曼濾波
4 1 3 視覺慣性里程計（VIO）
4 1 4 VIO的演算法流程
4 2 基於優化的VIO-SLAM
4 2 1 基於滑動窗口的緊耦合的單目VIO系統（VINS-Mono）
4 2 2 基於關鍵幀的視覺慣性里程計SLAM（OKVIS）
4 3 基於卡爾曼濾波的VIO-SLAM
4 3 1 基於多狀態約束下的卡爾曼濾波器SLAM演算法（MSCKF）
4 3 2 擴展MSCKF演算法（SR-ISWF）
4 4 基於GTSAM的VIO-SLAM
4 4 1 因子圖和GTSAM
4 4 2 基於因子圖優化的SLAM演算法
本章小結
參考文獻
第5章基於Lidar的激光慣性里程計
5 1 引言
5 2 激光雷達的工作方式
5 2 1 激光雷達數據的測距方法
5 2 2 激光雷達數據的處理方法
5 3 基於傳統方法的激光SLAM
5 3 1 基於特徵點匹配的經典激光SLAM演算法（LOAM）
5 3 2 面向自動駕駛場景的激光SLAM演算法（Lego-LOAM）
5 4 結合語義信息的激光SLAM
5 4 1 通過語義分割去除動態面元的SLAM演算法（SuMa++）
5 4 2 參數化語義特徵的語義激光雷達里程計SLAM演算法（PSF-LO）
本章小結
參考文獻
第6章基於Lidar+IMU的激光慣性里程計演算法
6 1 引言
6 1 1 Lidar+IMU的技術優勢
6 1 2 如何進行Lidar和IMU的數據融合
6 2 基於優化演算法的LIO-SLAM
6 2 1 緊耦合的三維激光慣性里程計（LIO-Mapping）
6 2 2 測試和分析
6 3 基於濾波演算法的LIO-SLAM
6 3 1 基於迭代擴展卡爾曼濾波的激光慣性里程計SLAM演算法（LINS）
6 3 2 測試和分析
本章小結
參考文獻
第7章基於多感測器的SLAM演算法
7 1 引言
7 1 1 SLAM的多感測器融合
7 1 2 多感測器融合的優勢
7 2 多感測器數據的標定
7 2 1 相機-IMU標定
7 2 2 激光雷達-IMU標定
7 2 3 相機-激光雷達標定
7 3 基於多感測器融合的SLAM演算法
7 3 1 利用激光雷達進行深度增強的視覺SLAM演算法（LIMO）
7 3 2 利用視覺里程計提供先驗的激光SLAM演算法（VLOAM）
本章小結
參考文獻
詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。