智能駕駛之激光雷達算法詳解

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　錄

 

第 1章　初識激光雷達　1

1.1　激光雷達的基本原理　2

1.2　激光雷達的發展歷程　3

1.3　車載激光雷達的分類　3

1.4　車載激光雷達的特點　4

1.5　車載激光雷達的應用功能　7

1.5.1　激光雷達在感知功能中的應用　7

1.5.2　激光雷達在SLAM功能中的應用　11

1.6　車載激光雷達的商用現狀　14

1.7　本章小結　16

本章參考文獻　16

第 2章　空間變換數學基礎　17

2.1　坐標系的歐氏變換基礎　18

2.1.1　旋轉和平移變換　18

2.1.2　旋轉的歐拉角表示　21

2.1.3　旋轉的軸角表示/旋轉向量表示　22

2.1.4　旋轉的單位四元數表示　23

2.2　李群和李代數基礎　25

2.2.1　李群基礎　25

2.2.2　李代數基礎　26

2.3　本章小結　30

本章參考文獻　30

第3章　激光雷達-車體的外參標定　31

3.1　引言　32

3.2　基於道路、標定物特徵的LiDAR動態外參標定　33

3.2.1　SSAC第 一階段　34

3.2.2　SSAC第二階段　36

3.3　基於手眼模型的LiDAR外參標定　36

3.3.1　手眼模型簡述　36

3.3.2　使用Navy算法求解手眼模型　37

3.3.3　DriveWorks中激光雷達外參的標定　39

3.4　基於累積點雲特徵優化的LiDAR外參標定　40

3.4.1　AESC-MMS算法　41

3.4.2　DyLESC算法　43

3.5　本章小結　47

本章參考文獻　47

第4章　LiDAR-Camera的外參標定　49

4.1　引言　50

4.2　基於標定物的L-C靜態標定——ILCC算法　51

4.2.1　算法整體流程　51

4.2.2　特徵交點提取過程　51

4.2.3　分步式外參求解　55

4.2.4　實驗驗證　55

4.3　無標定物的L-C靜態標定——PESC算法　57

4.3.1　邊緣特徵提取　57

4.3.2　特徵關聯匹配　58

4.3.3　基於非線性優化的外參求解　59

4.4　無標定物的L-C動態在線標定——AOCCL算法　61

4.4.1　圖像中的特徵處理　61

4.4.2　點雲中的特徵處理　62

4.4.3　外參優化求解　62

4.5　本章小結　63

本章參考文獻　63

第5章　基於3D激光點雲的地面分割　65

5.1　引言　66

5.2　級聯地面分割算法　69

5.2.1　障礙物、地面坡度對點雲的影響　69

5.2.2　基於線束間激光點距離的初步分割　71

5.2.3　基於多區域地面擬合的精細分割　71

5.3　基於高程地圖的地面點雲分割　72

5.3.1　均值高程地圖　73

5.3.2　擴展高程地圖　74

5.4　基於馬爾可夫隨機場的地面點雲分割　74

5.4.1　馬爾可夫隨機場構建及信念傳播　74

5.4.2　梯度計算　75

5.4.3　改進方法　76

5.5　本章小結　77

本章參考文獻　77

第6章　基於3D激光點雲的聚類分割　80

6.1　引言　81

6.2　基於激光點間角度關系的聚類　84

6.2.1　Bogoslavskyi算法的基本思想　84

6.2.2　Bogoslavskyi算法的具體流程　85

6.2.3　Bogoslavskyi算法小結　86

6.3　基於掃描線分割的SLR聚類算法　86

6.3.1　SLR算法原理　86

6.3.2　SLR算法中點雲的分割與合並過程　87

6.3.3　SLR算法小結　89

6.4　結合深度圖和DBSCAN算法的3D點雲聚類　89

6.4.1　DBSCAN算法簡述　89

6.4.2　基於Range Image的改進型DBSCAN算法　92

6.4.3　算法小結　94

6.5　基於多視角的點雲聚類分割——MVC算法　94

6.5.1　MVC算法的基本思想和流程　94

6.5.2　BEV投影下的初步聚類劃分　95

6.5.3　深度圖下的精細劃分　96

6.5.4　算法測試　97

6.5.5　MVC算法小結　100

6.6　本章小結　100

本章參考文獻　101

第7章　深度學習基礎　103

7.1　人工神經網絡基礎　104

7.1.1　神經元模型　104

7.1.2　感知機和多層感知機　105

7.1.3　正向傳導和誤差反向傳播機制　106

7.2　捲積神經網絡基礎　108

7.2.1　捲積操作的引入及其特點　109

7.2.2　捲積神經網絡的基本結構　110

7.2.3　經典的圖像捲積神經網絡　114

7.3　ViT基礎　118

7.3.1　經典的Transformer結構　118

7.3.2　ViT的基本結構　120

7.3.3　幾種經典的ViT改進結構　121

7.4　本章小結　125

本章參考文獻　125

第8章　基於3D激光點雲的目標檢測　127

8.1　引言　128

8.2　MLP架構的PointNet網絡　131

8.2.1　PointNet網絡模型的架構　131

8.2.2　PointNet網絡的特點　132

8.3　PointNet網絡改進之PointNet++網絡　133

8.3.1　PointNet++網絡模型的架構　133

8.3.2　層級式點集特徵學習模塊　134

8.3.3　非均勻採樣密度下的特徵學習　135

8.3.4　點雲分割中的特徵傳播　136

8.3.5　算法小結　136

8.4　二階段檢測器—PointRCNN網絡　136

8.4.1　PointRCNN網絡模型的架構　137

8.4.2　模型細節特徵　137

8.4.3　算法小結　140

8.5　基於體素的VoxelNet網絡　140

8.5.1　VoxelNet網絡模型的架構　141

8.5.2　VoxelNet網絡細節分析　141

8.5.3　算法小結　144

8.6　實時性突破——PointPillars網絡　144

8.6.1　PointPillars網絡模型的架構　145

8.6.2　PointPillars網絡細節分析　145

8.6.3　算法小結　146

8.7　基於深度圖的RangeDet網絡　147

8.7.1　RangeDet網絡模型的架構　147

8.7.2　RangeDet網絡細節分析　147

8.7.3　算法小結　150

8.8　多視角特徵融合的MVF網絡　150

8.8.1　MVF網絡模型的架構　150

8.8.2　MVF網絡細節分析　151

8.8.3　算法小結　153

8.9　本章小結　153

本章參考文獻　154

第9章　基於3D激光點雲的路沿檢測　156

9.1　引言　157

9.2　基於人工規則的SAT-LRBD算法　158

9.2.1　算法流程　158

9.2.2　候選特徵點提取　158

9.2.3　候選特徵點分類　159

9.2.4　噪聲點過濾和路沿特徵點提取　161

9.2.5　算法小結　162

9.3　基於深度學習網絡的U-AFCD算法　162

9.3.1　算法整體框架　162

9.3.2　基於U-Net的路沿特徵點分割　163

9.3.3　非可見路沿推理及結果不確定性分析　164

9.3.4　算法小結　167

9.4　本章小結　167

本章參考文獻　168

第 10章　基於3D激光點雲的多目標跟蹤　170

10.1　引言　171

10.2　AB3DMOT算法　172

10.2.1　算法整體架構　172

10.2.2　算法各模塊分析　172

10.2.3　算法小結　175

10.3　SimTrack算法　175

10.3.1　算法整體架構　176

10.3.2　算法各模塊分析　176

10.3.3　算法小結　179

10.4　本章小結　179

本章參考文獻　180

第 11章　激光里程計　182

11.1　引言　183

11.2　基於特徵點進行匹配註冊的LOAM算法　185

11.2.1　LOAM算法框架　185

11.2.2　LOAM算法細節分析　186

11.2.3　激光里程計算法流程　189

11.2.4　激光雷達建圖　190

11.2.5　算法小結　191

11.3　基於點雲的正態分佈特徵進行匹配註冊的NDT算法　191

11.3.1　點雲的概率分佈表示　191

11.3.2　點雲匹配註冊　193

11.3.3　算法小結　197

11.4　本章小結　197

本章參考文獻　198

第 12章　激光雷達+IMU組合定位　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　基於IMU/輪速計的車輛位姿估計　204

12.2.3　基於EKF的松耦合過程　205

12.2.4　算法小結　208

12.3　LIO-SAM算法　208

12.3.1　因子圖優化基礎　208

12.3.2　IMU預積分基礎　210

12.3.3　LIO-SAM算法流程及分析　214

12.3.4　算法小結　217

12.4　本章小結　218

本章參考文獻　218

第 13章　多傳感器融合SLAM　220

13.1　引言　221

13.2　視覺、激光雷達、IMU融合的R2LIVE算法　222

13.2.1　算法總體流程介紹　222

13.2.2　基於濾波的里程計模塊　223

13.2.3　因子圖優化模塊　228

13.2.4　算法小結　228

13.3　融合點雲地圖的TMFL算法　229

13.3.1　算法總體流程介紹　229

13.3.2　激光雷達特徵地圖構建　230

13.3.3　TMFL算法各模塊分析　231

13.3.4　算法小結　234

13.4　本章小結　234

本章參考文獻　234

第 14章　展望未來　237

14.1　車載激光雷達的未來　238

14.1.1　車載激光雷達當前面臨的挑戰　238

14.1.2　車載激光雷達的發展趨勢　238

14.2　激光感知算法的研究熱點和趨勢　240

14.3　激光定位算法的研究熱點和趨勢　243

14.4　本章小結　245

本章參考文獻　246