簡體網頁||繁體網頁

☆☆☆☆☆

圖書標籤:

• 無人駕駛
• 自動駕駛
• SLAM
• 視覺SLAM
• 機器人
• 機器人技術
• 工業機器人
• 概率機器人
• 計算機視覺
• 路徑規劃

店鋪： 曠氏文豪圖書專營店

齣版社： 電子工業齣版社

ISBN：9787121313554

商品編碼：13372067698

YL6265  9787121311048定價：75元 9787111504375定價：99元 9787121313554定價：59元

1本無人駕駛技術書

無人駕駛是一個復雜的係統，涉及的技術點種類多且跨度大，入門者常常不知從何入手。本書首先宏觀地呈現瞭無人駕駛的整體技術架構，概述瞭無人駕駛中涉及的各個技術點。在讀者對無人駕駛技術有瞭宏觀認識後，本書深入淺齣地講解瞭無人駕駛定位導航、感知、決策與控製等算法，深度學習在無人駕駛中的應用，無人駕駛係統軟件和硬件平颱，無人駕駛安全及無人駕駛雲平颱等多個主要技術點。本書的作者都是無人駕駛行業的從業者與研究人員，有著多年無人駕駛及人工智能技術的實戰經驗。

本書從實用的角度齣發，以期幫助對無人駕駛技術感興趣的從業者與相關人士實現對無人駕駛行業的快速入門，以及對無人駕駛技術的深度理解與應用實踐。

1 無人車：正在開始的未來1
1.1 正在走來的無人駕駛2
1.2 自動駕駛的分級4
1.3 無人駕駛係統簡介7
1.4 序幕剛啓18
1.5 參考資料18
2 光學雷達在無人駕駛技術中的應用21
2.1 無人駕駛技術簡介21
2.2 光學雷達基礎知識22
2.3 LiDAR在無人駕駛技術中的應用領域24
2.4 LiDAR技術麵臨的挑戰26
2.5 展望未來28
2.6 參考資料28
3 GPS及慣性傳感器在無人駕駛中的應用30
3.1 無人駕駛定位技術30
3.2 GPS簡介31
3.3 慣性傳感器簡介34
3.4 GPS和慣性傳感器的融閤36
3.5 結論37
3.6 參考資料38
4 基於計算機視覺的無人駕駛感知係統39
4.1 無人駕駛的感知39
4.2 KITTI數據集40
4.3 計算機視覺能幫助無人車解決的問題42
4.4 Optical Flow和立體視覺43
4.5 物體的識彆與追蹤45
4.6 視覺裏程計算法47
4.7 結論48
4.8 參考資料49
5 捲積神經網絡在無人駕駛中的應用50
5.1 CNN簡介50
5.2 無人駕駛雙目3D感知51
5.3 無人駕駛物體檢測54
5.4 結論59
5.5 參考資料59
6 增強學習在無人駕駛中的應用61
6.1 增強學習簡介61
6.2 增強學習算法63
6.3 使用增強學習幫助決策68
6.4 無人駕駛的決策介紹70
6.5 參考資料74

7 無人駕駛的規劃與控製75
7.1 規劃與控製簡介75
7.2 路由尋徑77
7.3 行為決策84
7.4 動作規劃93
7.5 反饋控製101
7.6 無人車規劃控製結語105
7.7 參考資料105
8 基於ROS的無人駕駛係統108
8.1 無人駕駛：多種技術的集成108
8.2 機器人操作係統（ROS）簡介110
8.3 係統可靠性115
8.4 係統通信性能提升116
8.5 係統資源管理與安全性117
8.6 結論118
8.7 參考資料118
9 無人駕駛的硬件平颱120
9.1 無人駕駛：復雜係統120
9.2 傳感器平颱121
9.3 計算平颱140
9.4 控製平颱150
9.5 結論157
9.6 參考資料158
10 無人駕駛係統安全160
10.1 針對無人駕駛的安全威脅160
10.2 無人駕駛傳感器的安全160
10.3 無人駕駛操作係統的安全162
10.4 無人駕駛控製係統的安全163
10.5 車聯網通信係統的安全性165
10.6 安全模型校驗方法168
10.7 參考資料169
11 基於Spark與ROS的分布式無人駕駛模擬平颱171
11.1 無人駕駛模擬技術171
11.2 基於ROS的無人駕駛模擬器173
11.3 基於Spark的分布式的模擬平颱175
11.4 結論178
11.5 參考資料178
12 無人駕駛中的高精度地圖180
12.1 電子地圖分類180
12.2 高精度地圖的特點183
12.3 高精度地圖的生産185
12.4 無人駕駛場景中的應用188
12.5 高精度地圖的現狀與結論190
12.6 參考資料191
13 無人駕駛的未來192
13.1 無人駕駛的商業前景192
13.2 無人車麵臨的障礙194
13.3 無人駕駛産業198
13.4 **化下的無人駕駛203
13.5 無人駕駛發展對策205
13.6 可預見的未來207
13.7 參考資料208

概率機器人

《概率機器人》對概率機器人學這一新興領域進行瞭全麵的介紹。概率機器人學依賴統計技術錶示信息和進行決策，以容納當今大多數機器人應用中必然存在的不確定性，是機器人學的一個分支。它依賴統計技術錶示信息和製定決策。這樣做，可以接納在當今大多數機器人應用中引起的不確定性。本書主要專注於算法，對於每種算法，均提供瞭四項內容：①僞碼示例；②完整的數學推導；③實驗結果；④算法優缺點的詳細討論。
《概率機器人》包括瞭基礎知識、定位、地圖構建、規劃與控製四大部分。本書共17章，每章的後都提供瞭練習題和動手實踐的項目。相信本書可以加深讀者對概率機器人學的認識。
譯者序
原書前言
緻謝
第Ⅰ部分 基礎知識
第1章 緒論 1
1.1 機器人學中的不確定性 1
1.2 概率機器人學 2
1.3 啓示 6
1.4 本書導航 7
1.5 概率機器人課程教學 7
1.6 文獻綜述 8
第2章 遞歸狀態估計 10
2.1 引言 10
2.2 概率的基本概念 10
2.3 機器人環境交互 14
2.3.1 狀態 15
2.3.2 環境交互 16
2.3.3 概率生成法則 18
2.3.4 置信分布 19
2.4 貝葉斯濾波 20
2.4.1 貝葉斯濾波算法 20
2.4.2 實例 21
2.4.3 貝葉斯濾波的數學推導 23
2.4.4 馬爾可夫假設 25
2.5 錶示法和計算 25
2.6 小結 26
2.7 文獻綜述 26
2.8 習題 27
第3章 高斯濾波 29
3.1 引言 29
3.2 卡爾曼濾波 30
3.2.1 綫性高斯係統 30
3.2.2 卡爾曼濾波算法 31
3.2.3 例證 32
3.2.4 卡爾曼濾波的數學推導 33
3.3 擴展卡爾曼濾波 40
3.3.1 為什麼要綫性化 40
3.3.2 通過泰勒展開的綫性化 42
3.3.3 擴展卡爾曼濾波算法 44
3.3.4 擴展卡爾曼濾波的數學推導 44
3.3.5 實際考慮 46
3.4 無跡卡爾曼濾波 49
3.4.1 通過無跡變換實現綫性化 49
3.4.2 無跡卡爾曼濾波算法 50
3.5 信息濾波 54
3.5.1 正則參數 54
3.5.2 信息濾波算法 55
3.5.3 信息濾波的數學推導 56
3.5.4 擴展信息濾波算法 57
3.5.5 擴展信息濾波的數學推導 58
3.5.6 實際考慮 59
3.6 小結 60
3.7 文獻綜述 61
3.8 習題 62
第4章 非參數濾波 64
4.1 直方圖濾波 64
4.1.1 離散貝葉斯濾波算法 65
4.1.2 連續狀態 65
4.1.3 直方圖近似的數學推導 67
4.1.4 分解技術 69
4.2 靜態二值貝葉斯濾波 70
4.3 粒子濾波 72
4.3.1基本算法 72
4.3.2 重要性采樣 75
4.3.3 粒子濾波的數學推導 77
4.3.4 粒子濾波的實際考慮和特性 79
4.4 小結 85
4.5 文獻綜述 85
4.6 習題 86
第5章 機器人運動 88
5.1 引言 88
5.2 預備工作 89
5.2.1 運動學構型 89
5.2.2 概率運動學 89
5.3 速度運動模型 90
5.3.1 閉式計算 91
5.3.2 采樣算法 92
5.3.3 速度運動模型的數學推導 94
5.4 裏程計運動模型 99
5.4.1 閉式計算 100
5.4.2 采樣算法 102
5.4.3 裏程計運動模型的數學推導 104
5.5 運動和地圖 105
5.6 小結 108
5.7 文獻綜述 109
5.8 習題 110
第6章 機器人感知 112
6.1 引言 112
6.2 地圖 114
6.3 測距儀的波束模型 115
6.3.1 基本測量算法 115
6.3.2 調節固有模型參數 119
6.3.3 波束模型的數學推導 121
6.3.4 實際考慮 126
6.3.5 波束模型的局限 127
6.4 測距儀的似然域 127
6.4.1 基本算法 127
6.4.2 擴展 130
6.5 基於相關性的測量模型 131
6.6 基於特徵的測量模型 133
6.6.1 特徵提取 133
6.6.2 地標的測量 133
6.6.3 已知相關性的傳感器模型 134
6.6.4 采樣位姿 135
6.6.5 進一步的考慮 137
6.7 實際考慮 137
6.8 小結 138
6.9 文獻綜述 139
6.10 習題 139
第Ⅱ部分 定 位
第7章 移動機器人定位:馬爾可夫與高斯 142
7.1 定位問題的分類 144
7.2 馬爾可夫定位 146
7.3 馬爾可夫定位圖例 147
7.4 擴展卡爾曼濾波定位 149
7.4.1 圖例 149
7.4.2 擴展卡爾曼濾波定位算法 151
7.4.3 擴展卡爾曼濾波定位的數學推導 151
7.4.4 物理實現 157
7.5 估計一緻性 161
7.5.1 未知一緻性的擴展卡爾曼濾波定位 161
7.5.2 極大似然數據關聯的數學推導 162
7.6 多假設跟蹤 164
7.7 無跡卡爾曼濾波定位 165
7.7.1 無跡卡爾曼濾波定位的數學推導 165
7.7.2 圖例 168
7.8 實際考慮 172
7.9 小結 174
7.10 文獻綜述 175
7.11 習題 176
第8章 移動機器人定位:柵格與濛特卡羅 179
8.1 介紹 179
8.2 柵格定位 179
8.2.1 基本算法 179
8.2.2 柵格分辨率 180
8.2.3 計算開銷 184
8.2.4 圖例 184
8.3 濛特卡羅定位 189
8.3.1 圖例 189
8.3.2 濛特卡羅定位算法 191
8.3.3 物理實現 191
8.3.4 濛特卡羅定位特性 194
8.3.5 隨機粒子濛特卡羅定位:失效恢復 194
8.3.6 更改建議分布 198
8.3.7 庫爾貝剋-萊布勒散度采樣:調節樣本集閤大小 199
8.4 動態環境下的定位 203
8.5 實際考慮 208
8.6 小結 209
8.7 文獻綜述 209
8.8習題 211
第Ⅲ部分 地圖構建
第9章 占用柵格地圖構建 213
9.1 引言 213
9.2 占用柵格地圖構建算法 216
9.2.1 多傳感器信息融閤 222
9.3 反演測量模型的研究 223
9.3.1 反演測量模型 223
9.3.2 從正演模型采樣 224
9.3.3 誤差函數 225
9.3.4 實例與深度思考 226
9.4 *大化後驗占用地圖構建 227
9.4.1 維持依賴實例 227
9.4.2 用正演模型進行占用柵格地圖構建 228
9.5 小結 231
9.6 文獻綜述 231
9.7 習題 232.............

視覺SLAM十四講：從理論到實踐

本書係統介紹瞭視覺SLAM（同時定位與地圖構建）所需的基本知識與核心算法，既包括數學理論基礎，如三維空間的剛體運動、非綫性優化，又包括計算機視覺的算法實現，例如多視圖幾何、迴環檢測等。此外，還提供瞭大量的實例代碼供讀者學習研究，從而更深入地掌握這些內容。本書可以作為對SLAM 感興趣的研究人員的入門自學材料，也可以作為SLAM 相關的高校本科生或研究生課程教材使用。
第1 講預備知識 1
1.1 本書講什麼1
1.2 如何使用本書3
1.2.1 組織方式3
1.2.2 代碼5
1.2.3 麵嚮的讀者6
1.3 風格約定6
1.4 緻謝和聲明7
第2 講初識SLAM 9
2.1 引子：小蘿蔔的例子11
2.2 **視覺SLAM 框架17
2.2.1 視覺裏程計17
2.2.2 後端優化19
2.2.3 迴環檢測20
2.2.4 建圖21
2.3 SLAM 問題的數學錶述22
2.4 實踐：編程基礎 25
2.4.1 安裝Linux 操作係統25
2.4.2 Hello SLAM27
2.4.3 使用cmake28
2.4.4 使用庫30
2.4.5 使用IDE32
第3 講三維空間剛體運動37
3.1 鏇轉矩陣39
3.1.1 點和嚮量，坐標係39
3.1.2 坐標係間的歐氏變換40
3.1.3 變換矩陣與齊次坐標42
3.2 實踐：Eigen 44
3.3 鏇轉嚮量和歐拉角48
3.3.1 鏇轉嚮量48
3.3.2 歐拉角50
3.4 四元數51
3.4.1 四元數的定義51
3.4.2 四元數的運算53
3.4.3 用四元數錶示鏇轉55
3.4.4 四元數到鏇轉矩陣的轉換55
3.5 * 相似、仿射、射影變換56
3.6 實踐：Eigen 幾何模塊57
3.7 可視化演示60
第4 講李群與李代數62
4.1 李群與李代數基礎 64
4.1.1 群64
4.1.2 李代數的引齣65
4.1.3 李代數的定義 67
4.1.4 李代數so(3) 67
4.1.5 李代數se(3)68
4.2 指數與對數映射69
4.2.1 SO(3) 上的指數映射69
4.2.2 SE(3) 上的指數映射.70
4.3 李代數求導與擾動模型72
4.3.1 BCH 公式與近似形式72
4.3.2 SO(3) 李代數上的求導73
4.3.3 李代數求導74
4.3.4 擾動模型（左乘）75
4.3.5 SE(3) 上的李代數求導76
4.4 實踐：Sophus76
4.5 * 相似變換群與李代數.79
4.6 小結81
第5 講相機與圖像82
5.1 相機模型 84
5.1.1 針孔相機模型84
5.1.2 畸變87
5.1.3 雙目相機模型 90
5.1.4 RGB-D 相機模型92
5.2 圖像93
5.3 實踐：圖像的存取與訪問95
5.3.1 安裝OpenCV95
5.3.2 操作OpenCV 圖像96
5.4 實踐：拼接點雲99
第6 講非綫性優化104
6.1 狀態估計問題106
6.1.1 *大後驗與*大似然106
6.1.2 *小二乘的引齣 108
6.2 非綫性*小二乘109
6.2.1 一階和二階梯度法110
6.2.2 高斯牛頓法111
6.2.3 列文伯格—馬誇爾特方法113
6.2.4 小結114
6.3 實踐：Ceres115
6.3.1 Ceres 簡介 116
6.3.2 安裝Ceres116
6.3.3 使用Ceres 擬閤麯綫 117
6.4 實踐：g2o121
6.4.1 圖優化理論簡介121
6.4.2 g2o 的編譯與安裝122
6.4.3 使用g2o 擬閤麯綫123
6.5 小結128
第7 講視覺裏程計1130
7.1 特徵點法132
7.1.1 特徵點132
7.1.2 ORB 特徵134
7.1.3 特徵匹配137
7.2 實踐：特徵提取和匹配138
7.3 2D?2D: 對極幾何141
7.3.1 對極約束141
7.3.2 本質矩陣143
7.3.3 單應矩陣146
7.4 實踐：對極約束求解相機運動148
7.5 三角測量153
7.6 實踐：三角測量154
7.6.1 三角測量代碼154
7.6.2 討論156
7.7 3D?2D：PnP157
7.7.1 直接綫性變換158
7.7.2 P3P159
7.7.3 Bundle Adjustment 161
7.8 實踐：求解PnP165
7.8.1 使用EPnP 求解位姿165
7.8.2 使用BA 優化166
7.9 3D?3D：ICP172
7.9.1 SVD 方法173
7.9.2 非綫性優化方法 175
7.10 實踐：求解ICP176
7.10.1 SVD 方法176
7.10.2 非綫性優化方法178
7.11 小結180..................

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆