本书内容涵盖了智能驾驶场景中常用的激光雷达的标定、感知和定位算法。标定算法部分介绍了有代表性的激光雷达与车体的外参标定算法以及激光雷达和相机间的外参标定算法；感知算法部分介绍了基于激光雷达进行地面检测、障碍物聚类、目标检测、多目标跟踪、路沿检测的代表性算法；定位算法部分则介绍了几种有影响力的激光里程计、激光雷达+IMU（intertial measurement unit，惯性测量单元）组合定位算法以及多传感器融合定位与建图算法。本书着重从理论出发，介绍激光雷达关键算法的原理，可为读者提供车载激光雷达相关算法的基础指导。
本书可作为高等院校车辆工程、机器人工程、交通工程专业和自动驾驶专业的教材，也可供智能驾驶或机器人领域的技术爱好者以及激光雷达标定、感知、定位算法工程师使用和参考。
原创智能驾驶激光雷达和算法的实践落地的图书，全彩印刷，效果和实例图全彩呈现。
华为智能驾驶研发专家、清华大学教授、业界专家联袂推荐
全面介绍激光雷达算法在智能驾驶中的应用。
涵盖激光雷达标定、激光感知和激光SLAM等方向。
深入浅出、理论联系实际，剖析激光雷达和智能驾驶中的关键技术和经典算法。
揭皓翔 博士，先后在华为、东软担任高级算法工程师和技术负责人，在车辆及智能驾驶行业有多年的从业经验。研究方向包括感知算法、SLAM算法、规控算法、自动驾驶大模型等，发表SCI索引、CCF会议、EI索引论文十余篇。
目 录
第 1章 初识激光雷达 1
1.1 激光雷达的基本原理 2
1.2 激光雷达的发展历程 3
1.3 车载激光雷达的分类 3
1.4 车载激光雷达的特点 4
1.5 车载激光雷达的应用功能 7
1.5.1 激光雷达在感知功能中的应用 7
1.5.2 激光雷达在SLAM功能中的应用 11
1.6 车载激光雷达的商用现状 14
1.7 本章小结 16
本章参考文献 16
第 2章 空间变换数学基础 17
2.1 坐标系的欧氏变换基础 18
2.1.1 旋转和平移变换 18
2.1.2 旋转的欧拉角表示 21
2.1.3 旋转的轴角表示/旋转向量表示 22
2.1.4 旋转的单位四元数表示 23
2.2 李群和李代数基础 25
2.2.1 李群基础 25
2.2.2 李代数基础 26
2.3 本章小结 30
本章参考文献 30
第3章 激光雷达-车体的外参标定 31
3.1 引言 32
3.2 基于道路、标定物特征的LiDAR动态外参标定 33
3.2.1 SSAC第 一阶段 34
3.2.2 SSAC第二阶段 36
3.3 基于手眼模型的LiDAR外参标定 36
3.3.1 手眼模型简述 36
3.3.2 使用Navy算法求解手眼模型 37
3.3.3 DriveWorks中激光雷达外参的标定 39
3.4 基于累积点云特征优化的LiDAR外参标定 40
3.4.1 AESC-MMS算法 41
3.4.2 DyLESC算法 43
3.5 本章小结 47
本章参考文献 47
第4章 LiDAR-Camera的外参标定 49
4.1 引言 50
4.2 基于标定物的L-C静态标定——ILCC算法 51
4.2.1 算法整体流程 51
4.2.2 特征交点提取过程 51
4.2.3 分步式外参求解 55
4.2.4 实验验证 55
4.3 无标定物的L-C静态标定——PESC算法 57
4.3.1 边缘特征提取 57
4.3.2 特征关联匹配 58
4.3.3 基于非线性优化的外参求解 59
4.4 无标定物的L-C动态在线标定——AOCCL算法 61
4.4.1 图像中的特征处理 61
4.4.2 点云中的特征处理 62
4.4.3 外参优化求解 62
4.5 本章小结 63
本章参考文献 63
第5章 基于3D激光点云的地面分割 65
5.1 引言 66
5.2 级联地面分割算法 69
5.2.1 障碍物、地面坡度对点云的影响 69
5.2.2 基于线束间激光点距离的初步分割 71
5.2.3 基于多区域地面拟合的精细分割 71
5.3 基于高程地图的地面点云分割 72
5.3.1 均值高程地图 73
5.3.2 扩展高程地图 74
5.4 基于马尔可夫随机场的地面点云分割 74
5.4.1 马尔可夫随机场构建及信念传播 74
5.4.2 梯度计算 75
5.4.3 改进方法 76
5.5 本章小结 77
本章参考文献 77
第6章 基于3D激光点云的聚类分割 80
6.1 引言 81
6.2 基于激光点间角度关系的聚类 84
6.2.1 Bogoslavskyi算法的基本思想 84
6.2.2 Bogoslavskyi算法的具体流程 85
6.2.3 Bogoslavskyi算法小结 86
6.3 基于扫描线分割的SLR聚类算法 86
6.3.1 SLR算法原理 86
6.3.2 SLR算法中点云的分割与合并过程 87
6.3.3 SLR算法小结 89
6.4 结合深度图和DBSCAN算法的3D点云聚类 89
6.4.1 DBSCAN算法简述 89
6.4.2 基于Range Image的改进型DBSCAN算法 92
6.4.3 算法小结 94
6.5 基于多视角的点云聚类分割——MVC算法 94
6.5.1 MVC算法的基本思想和流程 94
6.5.2 BEV投影下的初步聚类划分 95
6.5.3 深度图下的精细划分 96
6.5.4 算法测试 97
6.5.5 MVC算法小结 100
6.6 本章小结 100
本章参考文献 101
第7章 深度学习基础 103
7.1 人工神经网络基础 104
7.1.1 神经元模型 104
7.1.2 感知机和多层感知机 105
7.1.3 正向传导和误差反向传播机制 106
7.2 卷积神经网络基础 108
7.2.1 卷积操作的引入及其特点 109
7.2.2 卷积神经网络的基本结构 110
7.2.3 经典的图像卷积神经网络 114
7.3 ViT基础 118
7.3.1 经典的Transformer结构 118
7.3.2 ViT的基本结构 120
7.3.3 几种经典的ViT改进结构 121
7.4 本章小结 125
本章参考文献 125
第8章 基于3D激光点云的目标检测 127
8.1 引言 128
8.2 MLP架构的PointNet网络 131
8.2.1 PointNet网络模型的架构 131
8.2.2 PointNet网络的特点 132
8.3 PointNet网络改进之PointNet++网络 133
8.3.1 PointNet++网络模型的架构 133
8.3.2 层级式点集特征学习模块 134
8.3.3 非均匀采样密度下的特征学习 135
8.3.4 点云分割中的特征传播 136
8.3.5 算法小结 136
8.4 二阶段检测器—PointRCNN网络 136
8.4.1 PointRCNN网络模型的架构 137
8.4.2 模型细节特征 137
8.4.3 算法小结 140
8.5 基于体素的VoxelNet网络 140
8.5.1 VoxelNet网络模型的架构 141
8.5.2 VoxelNet网络细节分析 141
8.5.3 算法小结 144
8.6 实时性突破——PointPillars网络 144
8.6.1 PointPillars网络模型的架构 145
8.6.2 PointPillars网络细节分析 145
8.6.3 算法小结 146
8.7 基于深度图的RangeDet网络 147
8.7.1 RangeDet网络模型的架构 147
8.7.2 RangeDet网络细节分析 147
8.7.3 算法小结 150
8.8 多视角特征融合的MVF网络 150
8.8.1 MVF网络模型的架构 150
8.8.2 MVF网络细节分析 151
8.8.3 算法小结 153
8.9 本章小结 153
本章参考文献 154
第9章 基于3D激光点云的路沿检测 156
9.1 引言 157
9.2 基于人工规则的SAT-LRBD算法 158
9.2.1 算法流程 158
9.2.2 候选特征点提取 158
9.2.3 候选特征点分类 159
9.2.4 噪声点过滤和路沿特征点提取 161
9.2.5 算法小结 162
9.3 基于深度学习网络的U-AFCD算法 162
9.3.1 算法整体框架 162
9.3.2 基于U-Net的路沿特征点分割 163
9.3.3 非可见路沿推理及结果不确定性分析 164
9.3.4 算法小结 167
9.4 本章小结 167
本章参考文献 168
第 10章 基于3D激光点云的多目标跟踪 170
10.1 引言 171
10.2 AB3DMOT算法 172
10.2.1 算法整体架构 172
10.2.2 算法各模块分析 172
10.2.3 算法小结 175
10.3 SimTrack算法 175
10.3.1 算法整体架构 176
10.3.2 算法各模块分析 176
10.3.3 算法小结 179
10.4 本章小结 179
本章参考文献 180
第 11章 激光里程计 182
11.1 引言 183
11.2 基于特征点进行匹配注册的LOAM算法 185
11.2.1 LOAM算法框架 185
11.2.2 LOAM算法细节分析 186
11.2.3 激光里程计算法流程 189
11.2.4 激光雷达建图 190
11.2.5 算法小结 191
11.3 基于点云的正态分布特征进行匹配注册的NDT算法 191
11.3.1 点云的概率分布表示 191
11.3.2 点云匹配注册 193
11.3.3 算法小结 197
11.4 本章小结 197
本章参考文献 198
第 12章 激光雷达+IMU组合定位 200
12.1 引言 201
12.2 IMU-AHFLO算法 202
12.2.1 IMU-AHFLO算法流程 203
12.2.2 基于IMU/轮速计的车辆位姿估计 204
12.2.3 基于EKF的松耦合过程 205
12.2.4 算法小结 208
12.3 LIO-SAM算法 208
12.3.1 因子图优化基础 208
12.3.2 IMU预积分基础 210
12.3.3 LIO-SAM算法流程及分析 214
12.3.4 算法小结 217
12.4 本章小结 218
本章参考文献 218
第 13章 多传感器融合SLAM 220
13.1 引言 221
13.2 视觉、激光雷达、IMU融合的R2LIVE算法 222
13.2.1 算法总体流程介绍 222
13.2.2 基于滤波的里程计模块 223
13.2.3 因子图优化模块 228
13.2.4 算法小结 228
13.3 融合点云地图的TMFL算法 229
13.3.1 算法总体流程介绍 229
13.3.2 激光雷达特征地图构建 230
13.3.3 TMFL算法各模块分析 231
13.3.4 算法小结 234
13.4 本章小结 234
本章参考文献 234
第 14章 展望未来 237
14.1 车载激光雷达的未来 238
14.1.1 车载激光雷达当前面临的挑战 238
14.1.2 车载激光雷达的发展趋势 238
14.2 激光感知算法的研究热点和趋势 240
14.3 激光定位算法的研究热点和趋势 243
14.4 本章小结 245
本章参考文献 246
书单推荐
