新書推薦：
《
瘦肝
》
售價：HK$
99.7
《
股票大作手回忆录
》
售價：HK$
55.8
《
秩序四千年：人类如何运用法律缔造文明（世界重归混乱，文明岌岌可危，法律与秩序是我们仅有的武器。穿越时间，鸟瞰全球，一部波澜壮阔的人类文明史）
》
售價：HK$
154.6
《
民法典1000问
》
售價：HK$
99.7
《
国术健身 易筋经
》
售價：HK$
33.4
《
古罗马800年
》
售價：HK$
188.2
《
写出心灵深处的故事：踏上疗愈之旅（修订版）（创意写作书系）
》
售價：HK$
66.1
《
控制权视角下的家族企业管理与传承
》
售價：HK$
87.4
|
| 內容簡介： |
《机器人SLAM导航：核心技术与实战》
器人SLAM导航的一大痛点是很难做到理论与实战相结合，而本书可谓“百科全书”式讲解，可帮助硬件、软件、算法等不同领域的研究开发人员走出“调参”困境，终结面对硬件和深奥算法时的束手无策，加快算法在实际机器人产品的工程落地与系统性技术突破。
本书以ROS编程、传感器、底盘等机器人开发所涉及的软硬件基础知识为切入点，逐步引出SLAM和导航两大领域核心算法，并结合Cartographer、LOAM、ORB-SLAM、VINS、CNN-SLAM、DeepVO、ros-navigation、TEB、RRT等热门开源算法对SLAM和导航的数学原理、代码框架及实操进行深度剖析。
本书分为4篇，一共13章。
编程基础篇（第1～3章），主要讨论ROS的核心概念、大型C++工程的代码组织方式以及OpenCV图像处理方面的基础知识，为后续学习打好必要的编程基础。
硬件基础篇（第4～6章），通过对机器人传感器、机器人主机和机器人底盘的讨论，帮助缺少硬件基础的开发者系统认识机器人硬件，并更好地理解软件与硬件之间的协同关系。
SLAM篇（第7～10章），以各个具体的SLAM系统实现为例，进一步介绍SLAM算法的代码框架以及核心算法的细节实现。
自主导航篇（第11～13章），基于具体自主导航系统实现，剖析自主导航算法的代码框架以及核心算法的细节实现，并通过一个真实机器人案例向大家介绍应用SLAM导航技术进行开发的完整流程。
《智能网联汽车：激光与视觉SLAM详解 》
本书对激光SLAM和视觉SLAM技术进行了系统介绍，涉及基础理论、关键技术、应用实践及未来趋势，并探讨了它们与智能网联汽车的关系。既是想要在自动驾驶和智能汽车领域取得突破的从业者的阅读选择，也是追求SLAM技术深度与广度的专业人士的学习资料。
具体来说，本书从智能网联汽车的基本概念入手，详细介绍了SLAM技术的发展历程、架构设计、核心算法以及在自动驾驶等级中的应用现状和技术难点。不仅分析了多传感器融合技术的同步与标定方法、融合策略，还深入探讨了激光SLAM和视觉SLAM的点云处理、关键帧提取、后端优化等关键技术，并通过Cartographer、LOAM、LeGO-LOAM、LIO-SAM等算法的代码实战，展示了SLAM技术的实际应用。此外，着重讲解了深度学习在SLAM中的应用，如相机重定位、特征点提取与匹配、视觉里程计、回环检测以及语义SLAM的最新进展。最后，展望了激光SLAM和视觉SLAM技术的未来发展趋势，提供了宝贵的行业洞察。
总的来说，本书适合自动驾驶、机器人技术、计算机视觉及相关领域的研究人员、工程师以及高等院校相关专业的师生阅读。通过本书，读者不仅能够获得SLAM技术的全面系统知识，还能深入理解其在智能网联汽车等领域的应用，为未来的研究与开发工作打下坚实的基础。
|
| 關於作者： |
张虎
深圳市睿思智行科技有限公司CEO。曾就职于深圳市智能机器人研究院，主持机器人自主导航方面的研究项目。工作期间以网名“小虎哥哥爱学习”在知乎、CSDN、bilibili等平台创作了大量机器人SLAM导航相关的优质博客文章及视频教程，深受广大网友的喜爱。他对强人工智能的研究非常感兴趣，并致力于将具有先进智能的机器人进行产业化落地。
陈苑锋
复旦大学微电子学理学博士，高级职称。英国萨塞克斯人工智能学院客座教授、中国国际“互联网+”大学生创新创业大赛国赛评委、上海市职业技能大赛专家评委、上海市工程系列计算机专业中级职称专家评委等。先后在三星（韩国本部）、华为、阿里巴巴、美的集团等公司从事技术研发及管理工作。在集成电路、智能产品、机器人和物联网领域有多年研发经验。
董雪
澳大利亚阿德莱德大学博士，上海交通大学副教授、博士生导师。研究方向包括激光成像、图像处理、自主移动平台的传感器融合、即时定位导航及路径规划等，发表学术论文40余篇，主持国家自然科学基金、上海市扬帆计划、沃尔沃汽车可持续发展项目等。熟悉车端传感器的功能和特点，以及基于深度学习算法的传感器融合。近年来的学术成果和工程应用经验集中于单目无监督深度感知算法，基于对抗生成网络的数据挖掘，基于CONV-LSTM、光流神经网络的高频高分辨率图像重建，端到端神经网络的复杂系统建模等方向。
|
| 目錄：
|
《机器人SLAM导航：核心技术与实战》
序
前言
编程基础篇
第1章 ROS入门知识 2
1.1 ROS简介 2
1.1.1 ROS的性能特色 2
1.1.2 ROS的发行版本 3
1.1.3 ROS的学习方法 3
1.2 ROS开发环境的搭建 3
1.2.1 ROS的安装 4
1.2.2 ROS文件的组织方式 4
1.2.3 ROS网络通信配置 5
1.2.4 集成开发工具 5
1.3 ROS系统架构 5
1.3.1 从计算图视角理解ROS架构 6
1.3.2 从文件系统视角理解ROS架构 7
1.3.3 从开源社区视角理解ROS架构 8
1.4 ROS调试工具 8
1.4.1 命令行工具 9
1.4.2 可视化工具 9
1.5 ROS节点通信 10
1.5.1 话题通信方式 12
1.5.2 服务通信方式 15
1.5.3 动作通信方式 19
1.6 ROS的其他重要概念 25
1.7 ROS 2.0展望 28
1.8 本章小结 28
第2章 C++编程范式 29
2.1 C++工程的组织结构 29
2.1.1 C++工程的一般组织结构 29
2.1.2 C++工程在机器人中的组织结构 29
2.2 C++代码的编译方法 30
2.2.1 使用g++编译代码 31
2.2.2 使用make编译代码 32
2.2.3 使用CMake编译代码 32
2.3 C++编程风格指南 33
2.4 本章小结 34
第3章 OpenCV图像处理 35
3.1 认识图像数据 35
3.1.1 获取图像数据 35
3.1.2 访问图像数据 36
3.2 图像滤波 37
3.2.1 线性滤波 37
3.2.2 非线性滤波 38
3.2.3 形态学滤波 39
3.3 图像变换 40
3.3.1 射影变换 40
3.3.2 霍夫变换 42
3.3.3 边缘检测 42
3.3.4 直方图均衡 43
3.4 图像特征点提取 44
3.4.1 SIFT特征点 44
3.4.2 SURF特征点 50
3.4.3 ORB特征点 52
3.5 本章小结 54
硬件基础篇
第4章 机器人传感器 56
4.1 惯性测量单元 56
4.1.1 工作原理 56
4.1.2 原始数据采集 60
4.1.3 参数标定 65
4.1.4 数据滤波 73
4.1.5 姿态融合 75
4.2 激光雷达 91
4.2.1 工作原理 92
4.2.2 性能参数 94
4.2.3 数据处理 96
4.3 相机 100
4.3.1 单目相机 101
4.3.2 双目相机 107
4.3.3 RGB-D相机 109
4.4 带编码器的减速电机 111
4.4.1 电机 111
4.4.2 电机驱动电路 112
4.4.3 电机控制主板 113
4.4.4 轮式里程计 117
4.5 本章小结 118
第5章 机器人主机 119
5.1 X86与ARM主机对比 119
5.2 ARM主机树莓派3B+ 120
5.2.1 安装Ubuntu MATE 18.04 120
5.2.2 安装ROS melodic 122
5.2.3 装机软件与系统设置 122
5.3 ARM主机RK3399 127
5.4 ARM主机Jetson-tx2 128
5.5 分布式架构主机 129
5.5.1 ROS网络通信 130
5.5.2 机器人程序的远程开发 130
5.6 本章小结 131
第6章 机器人底盘 132
6.1 底盘运动学模型 132
6.1.1 两轮差速模型 132
6.1.2 四轮差速模型 136
6.1.3 阿克曼模型 140
6.1.4 全向模型 144
6.1.5 其他模型 148
6.2 底盘性能指标 148
6.2.1 载重能力 148
6.2.2 动力性能 148
6.2.3 控制精度 150
6.2.4 里程计精度 150
6.3 典型机器人底盘搭建 151
6.3.1 底盘运动学模型选择 152
6.3.2 传感器选择 152
6.3.3 主机选择 153
6.4 本章小结 155
SLAM篇
第7章 SLAM中的数学基础 158
7.1 SLAM发展简史 158
7.1.1 数据关联、收敛和一致性 160
7.1.2 SLAM的基本理论 161
7.2 SLAM中的概率理论 163
7.2.1 状态估计问题 164
7.2.2 概率运动模型 166
7.2.3 概率观测模型 171
7.2.4 概率图模型 173
7.3 估计理论 182
7.3.1 估计量的性质 182
7.3.2 估计量的构建 183
7.3.3 各估计量对比 190
7.4 基于贝叶斯网络的状态估计 193
7.4.1 贝叶斯估计 194
7.4.2 参数化实现 196
7.4.3 非参数化实现 202
7.5 基于因子图的状态估计 206
7.5.1 非线性最小二乘估计 206
7.5.2 直接求解方法 206
7.5.3 优化方法 208
7.5.4 各优化方法对比 218
7.5.5 常用优化工具 219
7.6 典型SLAM算法 221
7.7 本章小结 221
第8章 激光SLAM系统 223
8.1 Gmapping算法 223
8.1.1 原理分析 223
8.1.2 源码解读 228
8.1.3 安装与运行 233
8.2 Cartographer算法 240
8.2.1 原理分析 240
8.2.2 源码解读 247
8.2.3 安装与运行 258
8.3 LOAM算法 266
8.3.1 原理分析 266
8.3.2 源码解读 267
8.3.3 安装与运行 270
8.4 本章小结 270
第9章 视觉SLAM系统 272
9.1 ORB-SLAM2算法 274
9.1.1 原理分析
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
