视觉SLAM十四讲/从理论到实践+靠前本无人驾驶技术书 无人驾驶技术书 SLA pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

高翔等 著

图书标签:

• SLAM
• 视觉SLAM
• 无人驾驶
• 自动驾驶
• 机器人
• 计算机视觉
• 传感器融合
• 十四讲
• SLA
• 路径规划

店铺： 文轩网旗舰店

出版社： 电子工业出版社

ISBN：9787121311048

商品编码：13108878351

出版时间：2017-04-01

作  者:高翔等 著作 等 定  价:134 出 版 社:电子工业出版社 出版日期:2017年04月01日 页  数:400 装  帧:简装 ISBN:9787121311048 《视觉SLAM十四讲/从理论到实践》

??? 适读人群：本书适合对SLAM感兴趣的读者阅读，也适合有志于从事计算机视觉、机器人研究等领域的广大学生阅读，可作为SLAM技术的入门教材。
??? SLAM技术是全自动无人驾驶、无人机、机器人等人工智能产品的核心技术之一。
??? 作者是SLAM领域**杰出的青年专家。
??? 书中不仅有深入浅出的讲解，同时注重理论和实践结合，大大降低了靠前学生和相关从业者的进入门槛。

《**本等 ●《视觉SLAM十四讲/从理论到实践》
●《本无人驾驶技术书》
●【注】本套装以商品标题及实物为准，因仓位不同可能会拆单发货，如有需要购买前可联系客服确认后再下单，谢谢！
●

内容简介

《视觉SLAM十四讲/从理论到实践》

《视觉SLAM十四讲：从理论到实践》系统介绍了视觉SLAM（同时定位与地图构建）所需的基本知识与核心算法，既包括数学理论基础，如三维空间的刚体运动、非线性优化，又包括计算机视觉的算法实现，例如多视图几何、回环检测等。此外，还提供了大量的实例代码供读者学习研究，从而更深入地掌握这些内容。
《视觉SLAM十四讲：从理论到实践》可以作为对SLAM 感兴趣的研究人员的入门自学材料，也可以作为SLAM 相关的高校本科生或研究生课程教材使用。

《**本无人驾驶技术书》
无人驾驶是一个复杂的系统，涉及的技术点种类多且跨度大，入门者常常不知从何入手。刘少山、唐洁、吴双、李力耘著的这本《**本无人驾驶技术书》首先宏观地呈现了无人驾驶的整体技术架构，概述了无人驾驶中涉及的各个技术点。在读者对无人驾驶技术有了等 高翔等 著作 等 《视觉SLAM十四讲/从理论到实践》

高翔，2008年就读清华大学自动化系，2012年免试进入清华大学自动化系攻读博士学位。研究课题为视觉SLAM，兴趣包括计算机视觉与机器学习。曾撰写过与SLAM相关的论文和技术博客。
张涛，清华大学自动化系教授、党委书记、副系主任。1995年9月至1999年9月在清华大学自动化系检测技术与自动化装置专业学习，获博士学位。1999年10月至2002年9月在日本国立佐贺大学大学院工学系研究科系统控制专业学习，获博士学位。研究课题包括机器人、航空航天、计算机视觉等。
刘毅，华中科技大学图像与人工智能研究所在读博士，本科毕业于武汉理工大等

《视觉SLAM十四讲/从理论到实践》

隆重向读者推荐《视觉SLAM十四讲：从理论到实践》。一方面本书是业界少有的涵盖从基础理论到代码实例，系统性讲解SLAM的书；另一方面，本书的作者和地平线颇有渊源，高翔曾经是我们的算法实习生，颜沁睿是自动驾驶算法工程师，都是在SLAM领域非常杰出的青年专家，走在技术实践前沿。在移动互联网大潮之后，自动驾驶、无人机、服务机器人等人工智能硬件会成为下一个产业爆发点，其中关键的技术之一就是动态定位和环境建模的SLAM技术。本书是国内非常有价值的有关SLAM技术的书籍，适合有志于从事机器人技术的研究生和工程师，一定会让读者很有收获。
地平线机器人创始人，中国人工智能学会副秘书长，余凯

我在新加坡和加拿大给学生讲视觉SLAM时常常觉得缺乏一本适合初学者的教材。高翔博士的《视觉SLAM十四讲：从理论到实践》从基础的四元数、李代等

《自动驾驶：从感知到决策的系统工程》 内容简介 《自动驾驶：从感知到决策的系统工程》是一本全面深入探讨自动驾驶技术核心原理与实践应用的专业著作。本书旨在为读者构建一个清晰、完整的自动驾驶技术体系框架，从最基础的感知层，延伸至高阶的决策与控制，并辅以实践中的关键技术要素，力求帮助读者理解自动驾驶系统如何从环境信息中“看懂”世界，并做出安全、高效的驾驶行为。本书适合于对自动驾驶技术充满兴趣的工程师、研究人员、学生，以及希望了解这一颠覆性技术发展方向的行业从业者。 第一部分：感知——自动驾驶的“眼睛”与“耳朵” 自动驾驶系统的首要任务是准确、实时地感知周围环境。本部分将详尽解析实现这一目标的关键技术。 1.1 传感器技术概览 1.1.1 激光雷达（LiDAR）： 深入讲解激光雷达的工作原理，包括其在三维空间中测量距离和生成点云数据的能力。我们将探讨不同类型的激光雷达（如机械式、固态式）及其优缺点，并详细介绍其在目标检测、障碍物识别、地图构建等方面的应用。 1.1.2 摄像头（Camera）： 阐述各种摄像头类型（单目、双目、鱼眼、红外等）在自动驾驶中的作用。重点介绍图像采集、处理、增强等基础技术，以及基于图像的目标检测（如行人、车辆、交通标志）、车道线检测、语义分割等核心视觉感知任务。 1.1.3 毫米波雷达（Radar）： 解释毫米波雷达如何利用电磁波探测物体，并强调其在恶劣天气（如雨、雪、雾）下的鲁棒性。详细介绍雷达在测速、测距、目标跟踪方面的优势，以及其在自适应巡航（ACC）、自动紧急制动（AEB）等功能中的应用。 1.1.4 超声波传感器（Ultrasonic Sensor）： 讨论超声波传感器在近距离障碍物检测和泊车辅助方面的作用，分析其工作原理、探测范围及局限性。 1.1.5 惯性测量单元（IMU）与GPS/GNSS： 介绍IMU（包括加速度计和陀螺仪）如何提供车辆的姿态和运动信息，以及GPS/GNSS（全球导航卫星系统）如何进行全球定位。重点讲解它们如何与传感器数据融合，以提高定位精度和运动状态估计的稳定性。 1.2 感知融合（Sensor Fusion） 1.2.1 融合的必要性与挑战： 解释为何单一传感器无法满足自动驾驶的全部需求，以及融合不同传感器数据以获得更全面、更鲁棒的环境感知信息的必要性。探讨数据对齐、时空同步、信息冗余等融合过程中的挑战。 1.2.2 典型融合方法： 基于特征的融合： 介绍如何提取各个传感器数据的特征（如点云特征、图像特征）并进行融合。 基于数据的融合： 探讨直接将原始数据（如点云和图像）进行融合的方法，以及如何处理不同传感器数据的尺度和分辨率差异。 基于目标的融合： 解释如何在检测到目标后，通过关联不同传感器检测到的同一目标来提升识别精度和跟踪稳定性。 1.2.3 卡尔曼滤波（Kalman Filter）及其变种： 详细阐述扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）等在目标跟踪和状态估计中的应用，以及它们如何整合多传感器信息。 1.3 目标检测与识别 1.3.1 基于深度学习的目标检测算法： 深入剖析近年来在自动驾驶领域取得巨大成功的深度学习目标检测模型，包括： 两阶段检测器： 如Faster R-CNN系列，讲解其区域提议网络（RPN）与分类回归分支的工作机制。 单阶段检测器： 如YOLO系列、SSD，强调其速度优势和端到端的检测能力。 Transformer-based检测器： 如DETR，介绍其在全局特征捕获方面的革新。 1.3.2 3D目标检测： 重点介绍如何在点云数据中直接进行三维目标（如车辆、行人）的检测，包括基于体素（VoxelNet）、点（PointNet++）以及基于鸟瞰图（Bird’s Eye View, BEV）的方法。 1.3.3 交通参与者分类与属性预测： 讨论如何进一步识别检测到的目标类型（如小汽车、卡车、自行车、行人），并预测其属性（如朝向、尺寸）。 1.4 语义与实例分割 1.4.1 语义分割： 解释语义分割如何为图像中的每个像素分配类别标签（如道路、天空、建筑物、车辆），从而理解场景的整体构成。介绍FCN、U-Net、DeepLab等经典与前沿的语义分割模型。 1.4.2 实例分割： 区分实例分割与语义分割，介绍实例分割如何同时完成目标检测和像素级分割，从而区分同一类别的不同实例（如区分多辆车）。Mask R-CNN等模型将是重点讲解对象。 1.4.3 道路与车道线分割： 专门探讨自动驾驶中至关重要的道路和车道线分割技术，分析其对路径规划和车辆导航的意义。 1.5 目标跟踪 1.5.1 目标跟踪的基本原理： 介绍目标跟踪的核心思想，即在连续帧之间关联同一目标。 1.5.2 经典跟踪算法： Discuss Kalman Filter based tracking, Particle Filter based tracking. 1.5.3 基于深度学习的跟踪算法： 介绍Sort, DeepSort等算法，以及近年来利用Transformer等技术进行多目标跟踪（MOT）的先进方法。 第二部分：定位与建图——自动驾驶的“导航仪” 在了解周围环境后，自动驾驶车辆还需要知道自己在哪里，以及周围的地图信息，才能进行准确的导航。 2.1 定位技术 2.1.1 高精度地图（HD Map）： 讲解高精度地图的构成要素（如车道线、路缘石、交通标志、灯光信号等），以及其在为自动驾驶系统提供先验信息方面的作用。 2.1.2 基于GNSS/INS的组合导航： 深入探讨GNSS（如GPS、北斗）与INS（惯性导航系统）的融合，以实现厘米级的定位精度。重点介绍RTK（实时动态差分）等技术。 2.1.3 基于传感器的定位： 激光雷达里程计（LiDAR Odometry）： 介绍如何通过匹配连续帧的点云来估计车辆的运动。 视觉里程计（Visual Odometry）： 讲解如何利用摄像头图像中的特征点来估计相机（及车辆）的运动。 点云与地图匹配（LiDAR Localization）： 探讨如何将当前采集到的点云数据与预先构建的高精度地图进行匹配，以实现高精度的全局定位。 2.2 建图技术（Mapping） 2.2.1 SLAM（Simultaneous Localization and Mapping）基础： 详细解释SLAM的概念，即在未知环境中，机器人（或车辆）同时进行自身定位和地图构建。 2.2.2 基于激光雷达的SLAM： 激光雷达点云地图构建： 介绍如何利用激光雷达数据生成局部和全局的点云地图。 图优化（Graph Optimization）： 讲解如何利用图模型表示位姿约束，并通过图优化算法（如Gauss-Newton, Levenberg-Marquardt）来优化累积的误差。 2.2.3 基于视觉的SLAM： 特征点法（Feature-based Visual SLAM）： 介绍如何提取、匹配图像特征点，并通过三角测量和位姿估计来构建稀疏地图。 直接法（Direct Method Visual SLAM）： 讲解如何直接利用图像像素灰度信息进行位姿估计和地图构建，避免特征提取的依赖。 稠密/半稠密重建（Dense/Semi-Dense Reconstruction）： 介绍如何从视觉信息重建出更详细的三维场景。 2.2.4 多传感器融合SLAM： 探讨如何结合激光雷达、摄像头、IMU等多种传感器数据，构建更鲁棒、更准确的SLAM系统。 第三部分：规划与控制——自动驾驶的“大脑”与“四肢” 在感知和定位的基础上，自动驾驶系统需要做出决策，并精确地控制车辆执行这些决策。 3.1 路径规划（Path Planning） 3.1.1 全局路径规划： 介绍如何根据起点和终点，在高精度地图或全局环境中规划出一条最优或次优的宏观路径。常用的算法包括A算法、Dijkstra算法等。 3.1.2 局部路径规划/行为决策（Behavior Planning）： 重点探讨在动态环境中，车辆如何根据实时的交通状况、交通规则和目标行为，做出具体的驾驶决策，如换道、超车、避障、跟车等。 基于有限状态机（Finite State Machine, FSM）的方法： 讲解如何将复杂的驾驶行为分解为一系列状态和状态转移。 基于决策树（Decision Tree）的方法： 介绍如何利用决策树来模拟驾驶员的决策过程。 基于强化学习（Reinforcement Learning, RL）的方法： 探讨如何通过与环境交互来学习最优的驾驶策略。 3.1.3 轨迹生成（Trajectory Generation）： 讲解如何将抽象的局部路径转化为平滑、可执行的连续轨迹，包括速度、加速度、方向盘转角等。介绍曲线插值（如样条曲线）、模型预测控制（MPC）等方法。 3.2 运动控制（Motion Control） 3.2.1 纵向控制： 讲解如何控制车辆的速度，以实现目标速度、跟车距离等。PID控制、模型预测控制（MPC）等将是重点。 3.2.2 横向控制： 讲解如何控制车辆的方向盘转角，以跟随目标轨迹或保持在车道内。 纯追踪（Pure Pursuit）算法： 介绍如何根据车辆前方的一个预设前视点来计算转向角。 Stanley控制器： 讲解如何根据车辆与目标轨迹的横向偏差和方向偏差来计算转向角。 模型预测控制（MPC）： 再次强调MPC在同时优化纵向和横向控制，并考虑车辆动力学约束方面的强大能力。 3.2.3 车辆动力学模型： 介绍常用的车辆动力学模型，如自行车模型（Bicycle Model）、两轮模型（Two-Wheel Model），以及它们在控制算法设计中的作用。 第四部分：系统集成与安全 一个完整的自动驾驶系统需要将上述各个模块有机地集成起来，并确保其安全性。 4.1 软件与硬件架构 4.1.1 模块化设计： 探讨自动驾驶系统的模块化设计思路，以及不同模块之间的接口定义。 4.1.2 计算平台： 介绍高性能计算单元（如GPU、ASIC）在处理海量感知数据和复杂算法中的作用。 4.1.3 通信总线： 讲解CAN、Ethernet等在车载通信中的应用。 4.2 安全与冗余设计 4.2.1 故障检测与处理： 介绍传感器故障、算法失效等情况下的检测机制和应急处理策略。 4.2.2 冗余系统： 探讨关键模块（如传感器、控制器、计算单元）的冗余设计，以提高系统的可靠性。 4.2.3 功能安全（Functional Safety）： 介绍ISO 26262等标准在汽车功能安全设计中的应用。 4.2.4 行为安全与风险评估： 讨论如何通过形式化方法、测试验证等手段，确保自动驾驶系统的行为安全。 4.3 测试与验证 4.3.1 仿真测试： 讲解利用高保真仿真平台（如CARLA, AirSim）进行大规模场景测试的方法。 4.3.2 封闭场地测试： 介绍在安全可控的封闭场地进行实车测试的意义。 4.3.3 公开道路测试： 讨论公开道路测试的流程、数据收集与分析。 4.3.4 数据集与基准测试： 介绍业界常用的自动驾驶数据集（如KITTI, NuScenes）及其在算法评估中的作用。 总结 《自动驾驶：从感知到决策的系统工程》致力于为读者呈现一个系统化、工程化的自动驾驶技术全景图。本书不仅关注各个子模块的技术细节，更强调它们之间的相互作用与协同工作，最终指向实现安全、可靠、高效的自动驾驶。通过对传感器技术、感知融合、定位建图、规划控制以及系统安全等关键环节的深入剖析，本书将帮助读者全面掌握自动驾驶的核心技术脉络，为未来在该领域的学习、研究与实践奠定坚实基础。

评分☆☆☆☆☆

这本书在结构设计上，给我一种“抽丝剥茧”的感觉，让人在阅读过程中不断获得新的认知。它并非一本简单的技术手册，更像是一位经验丰富的老师，循序渐进地引导你深入理解。特别是关于“后端优化”和“状态估计”的章节，虽然听起来有些理论化，但作者通过大量的图示和深入浅出的讲解，将这些复杂概念变得易于理解。我印象最深的是关于卡尔曼滤波（Kalman Filter）和粒子滤波（Particle Filter）的对比分析，它不仅阐述了两种滤波器的数学原理，还结合了实际应用场景，分析了它们各自的优劣势。这让我意识到，在实际的无人驾驶系统中，如何选择合适的滤波器来处理传感器噪声和不确定性，是至关重要的。此外，书中对“建图”这一环节的重视也让我受益匪浅。它不仅介绍了点云地图、栅格地图等不同类型的地图，还探讨了如何利用SLAM技术构建高精度地图，这对于无人驾驶的导航和定位至关重要。

评分☆☆☆☆☆

这本书简直是我最近几个月技术学习的“续命丸”！作为一个一直对自动驾驶技术心怀憧憬，但又苦于无从下手的小白，我翻遍了各种资料，看了不少在线课程，总觉得隔靴搔痒，理论和实践之间似乎隔着一道看不见的鸿沟。直到我偶然间发现了它。这本书的开头部分，虽然是铺垫，但写得异常扎实。它并没有直接跳到高深的算法，而是循序渐进地介绍了SLAM（同步定位与地图构建）的基础概念，包括传感器的工作原理、数据预处理、以及一些经典算法的理论框架。我尤其喜欢它对相机模型和投影变换的讲解，用了很多形象的比喻和图示，把原本枯燥的数学公式变得易于理解。我花了相当多的时间在这一部分，反复推敲，确保自己彻底掌握了这些 foundational knowledge。很多时候，我们在学习新技术时，往往会因为忽略了基础而导致后续学习困难重重，这本书恰恰在这方面做得非常出色，它让我对视觉SLAM有了更宏观的认识，为后续更深入的学习打下了坚实的基础。它没有回避那些复杂的数学推导，但又通过清晰的逻辑和合理的组织，让读者能够逐步跟上。

评分☆☆☆☆☆

我必须得说，这本书的“无人驾驶”部分，确实让我眼前一亮，感觉像是打开了一个全新的世界。在此之前，我对无人驾驶的理解仅限于“汽车自己会开”，但读完这部分内容，我才真正意识到其背后蕴含的复杂技术。书中对于感知、决策、控制这三大核心模块的讲解，层次分明，逻辑严谨。在感知部分，它详细介绍了激光雷达（LiDAR）、毫米波雷达（Radar）以及摄像头等多种传感器的工作原理和数据融合技术，让我对如何让汽车“看见”周围环境有了更深入的理解。尤其是在多传感器融合的章节，它不仅介绍了各种融合的策略，还讨论了融合过程中可能遇到的挑战和解决方案，这一点对我来说非常有价值。决策部分的讲解也同样精彩，从路径规划到行为预测，再到障碍物规避，每一个环节都被拆解得非常透彻。我被书中关于决策树、状态机等方法的应用所吸引，这些都为我提供了宝贵的思路。

评分☆☆☆☆☆

这本书给我最大的感受是，它真正做到了“理论与实践”的深度融合。我之前也看过一些关于SLAM和无人驾驶的书籍，但很多要么过于偏重理论，要么过于简略，难以将知识落地。这本书不同，它在介绍理论概念的同时，会深入到具体的算法实现和工程细节。我尤其欣赏书中对于“传感器标定”和“时间同步”等基础但关键问题的重视。这些看似不起眼的问题，却直接影响到整个系统的性能。书中对这些细节的讲解，以及对实际操作中可能遇到的困难的提示，都让我觉得非常实用。此外，它对“仿真环境”的介绍也很有启发性。我知道在无人驾驶领域，仿真测试是不可或缺的一环，而书中对不同仿真平台的对比和优缺点分析，为我后续的研究提供了重要的参考。总的来说，这本书不仅仅是知识的传递，更是一种思维方式的引导，它让我看到了SLAM和无人驾驶技术之间千丝万缕的联系，也让我对未来的发展有了更清晰的认识。

评分☆☆☆☆☆

这本书在算法的深度和广度上都给我留下了深刻的印象。它并没有仅仅停留在理论的层面，而是真正深入到“实践”二字。我尤其被书中关于图优化（Bundle Adjustment）和因子图（Factor Graph）的章节所吸引。在实际的SLAM系统中，精确的位姿估计至关重要，而图优化正是实现这一目标的利器。作者详细讲解了非线性优化的原理，以及如何将其应用于SLAM问题，包括雅可比矩阵的计算和迭代求解的过程。让我感到惊喜的是，它还提供了具体的代码实现示例，虽然我还没有亲自去运行，但光是阅读代码，就足以让我对算法的落地过程有了更直观的感受。此外，书中对闭环检测（Loop Closure Detection）的探讨也相当精彩。我知道这是SLAM中最具挑战性的部分之一，而这本书通过介绍各种方法，如特征匹配、词袋模型等，并分析它们的优缺点，让我对如何构建一个鲁棒的SLAM系统有了更清晰的认识。它不仅仅是技术的罗列，更是在引导读者思考，如何根据实际场景选择合适的算法，以及如何进行系统集成。