機器人SLAM導航：核心技術與實戰(zhàn)

序
前言
編程基礎篇
第1章　ROS入門必備知識 2
1.1　ROS簡介 2
1.1.1　ROS的性能特色 2
1.1.2　ROS的發(fā)行版本 3
1.1.3　ROS的學習方法 3
1.2　ROS開發(fā)環(huán)境的搭建 3
1.2.1　ROS的安裝 4
1.2.2　ROS文件的組織方式 4
1.2.3　ROS網絡通信配置 5
1.2.4　集成開發(fā)工具 5
1.3　ROS系統(tǒng)架構 5
1.3.1　從計算圖視角理解ROS架構 6
1.3.2　從文件系統(tǒng)視角理解ROS架構 7
1.3.3　從開源社區(qū)視角理解ROS架構 8
1.4　ROS調試工具 8
1.4.1　命令行工具 9
1.4.2　可視化工具 9
1.5　ROS節(jié)點通信 10
1.5.1　話題通信方式 12
1.5.2　服務通信方式 15
1.5.3　動作通信方式 19
1.6　ROS的其他重要概念 25
1.7　ROS 2.0展望 28
1.8　本章小結 28
第2章　C++編程范式 29
2.1　C++工程的組織結構 29
2.1.1　C++工程的一般組織結構 29
2.1.2　C++工程在機器人中的組織結構 29
2.2　C++代碼的編譯方法 30
2.2.1　使用g++編譯代碼 31
2.2.2　使用make編譯代碼 32
2.2.3　使用CMake編譯代碼 32
2.3　C++編程風格指南 33
2.4　本章小結 34
第3章　OpenCV圖像處理 35
3.1　認識圖像數據 35
3.1.1　獲取圖像數據 35
3.1.2　訪問圖像數據 36
3.2　圖像濾波 37
3.2.1　線性濾波 37
3.2.2　非線性濾波 38
3.2.3　形態(tài)學濾波 39
3.3　圖像變換 40
3.3.1　射影變換 40
3.3.2　霍夫變換 42
3.3.3　邊緣檢測 42
3.3.4　直方圖均衡 43
3.4　圖像特征點提取 44
3.4.1　SIFT特征點 44
3.4.2　SURF特征點 50
3.4.3　ORB特征點 52
3.5　本章小結 54
硬件基礎篇
第4章　機器人傳感器 56
4.1　慣性測量單元 56
4.1.1　工作原理 56
4.1.2　原始數據采集 60
4.1.3　參數標定 65
4.1.4　數據濾波 73
4.1.5　姿態(tài)融合 75
4.2　激光雷達 91
4.2.1　工作原理 92
4.2.2　性能參數 94
4.2.3　數據處理 96
4.3　相機 100
4.3.1　單目相機 101
4.3.2　雙目相機 107
4.3.3　RGB-D相機 109
4.4　帶編碼器的減速電機 111
4.4.1　電機 111
4.4.2　電機驅動電路 112
4.4.3　電機控制主板 113
4.4.4　輪式里程計 117
4.5　本章小結 118
第5章　機器人主機 119
5.1　X86與ARM主機對比 119
5.2　ARM主機樹莓派3B+ 120
5.2.1　安裝Ubuntu MATE 18.04 120
5.2.2　安裝ROS melodic 122
5.2.3　裝機軟件與系統(tǒng)設置 122
5.3　ARM主機RK3399 127
5.4　ARM主機Jetson-tx2 128
5.5　分布式架構主機 129
5.5.1　ROS網絡通信 130
5.5.2　機器人程序的遠程開發(fā) 130
5.6　本章小結 131
第6章　機器人底盤 132
6.1　底盤運動學模型 132
6.1.1　兩輪差速模型 132
6.1.2　四輪差速模型 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　底盤性能指標 148
6.2.1　載重能力 148
6.2.2　動力性能 148
6.2.3　控制精度 150
6.2.4　里程計精度 150
6.3　典型機器人底盤搭建 151
6.3.1　底盤運動學模型選擇 152
6.3.2　傳感器選擇 152
6.3.3　主機選擇 153
6.4　本章小結 155
SLAM篇
第7章　SLAM中的數學基礎 158
7.1　SLAM發(fā)展簡史 158
7.1.1　數據關聯、收斂和一致性 160
7.1.2　SLAM的基本理論 161
7.2　SLAM中的概率理論 163
7.2.1　狀態(tài)估計問題 164
7.2.2　概率運動模型 166
7.2.3　概率觀測模型 171
7.2.4　概率圖模型 173
7.3　估計理論 182
7.3.1　估計量的性質 182
7.3.2　估計量的構建 183
7.3.3　各估計量對比 190
7.4　基于貝葉斯網絡的狀態(tài)估計 193
7.4.1　貝葉斯估計 194
7.4.2　參數化實現 196
7.4.3　非參數化實現 202
7.5　基于因子圖的狀態(tài)估計 206
7.5.1　非線性最小二乘估計 206
7.5.2　直接求解方法 206
7.5.3　優(yōu)化方法 208
7.5.4　各優(yōu)化方法對比 218
7.5.5　常用優(yōu)化工具 219
7.6　典型SLAM算法 221
7.7　本章小結 221
第8章　激光SLAM系統(tǒng) 223
8.1　Gmapping算法 223
8.1.1　原理分析 223
8.1.2　源碼解讀 228
8.1.3　安裝與運行 233
8.2　Cartographer算法 240
8.2.1　原理分析 240
8.2.2　源碼解讀 247
8.2.3　安裝與運行 258
8.3　LOAM算法 266
8.3.1　原理分析 266
8.3.2　源碼解讀 267
8.3.3　安裝與運行 270
8.4　本章小結 270
第9章　視覺SLAM系統(tǒng) 272
9.1　ORB-SLAM2算法 274
9.1.1　原理分析 274
9.1.2　源碼解讀 310
9.1.3　安裝與運行 319
9.1.4　拓展 327
9.2　LSD-SLAM算法 329
9.2.1　原理分析 329
9.2.2　源碼解讀 334
9.2.3　安裝與運行 337
9.3　SVO算法 338
9.3.1　原理分析 338
9.3.2　源碼解讀 341
9.4　本章小結 341
第10章　其他SLAM系統(tǒng) 344
10.1　RTABMAP算法 344
10.1.1　原理分析 344
10.1.2　源碼解讀 351
10.1.3　安裝與運行 357
10.2　VINS算法 362
10.2.1　原理分析 364
10.2.2　源碼解讀 373
10.2.3　安裝與運行 376
10.3　機器學習與SLAM 379
10.3.1　機器學習 379
10.3.2　CNN-SLAM算法 411
10.3.3　DeepVO算法 413
10.4　本章小結 414
自主導航篇
第11章　自主導航中的數學基礎 418
11.1　自主導航 418
11.2　環(huán)境感知 420
11.2.1　實時定位 420
11.2.2　環(huán)境建模 421
11.2.3　語義理解 422
11.3　路徑規(guī)劃 422
11.3.1　常見的路徑規(guī)劃算法 423
11.3.2　帶約束的路徑規(guī)劃算法 430
11.3.3　覆蓋的路徑規(guī)劃算法 434
11.4　運動控制 435
11.4.1　基于PID的運動控制 437
11.4.2　基于MPC的運動控制 438
11.4.3　基于強化學習的運動控制 441
11.5　強化學習與自主導航 442
11.5.1　強化學習 443
11.5.2　基于強化學習的自主導航 465
11.6　本章小結 467
第12章　典型自主導航系統(tǒng) 470
12.1　ros-navigation導航系統(tǒng) 470
12.1.1　原理分析 470
12.1.2　源碼解讀 475
12.1.3　安裝與運行 479
12.1.4　路徑規(guī)劃改進 492
12.1.5　環(huán)境探索 496
12.2　riskrrt導航系統(tǒng) 498
12.3　autoware導航系統(tǒng) 499
12.4　導航系統(tǒng)面臨的一些挑戰(zhàn) 500
12.5　本章小結 500
第13章　機器人SLAM導航綜合實戰(zhàn) 502
13.1　運行機器人上的傳感器 502
13.1.1　運行底盤的ROS驅動 503
13.1.2　運行激光雷達的ROS驅動 503
13.1.3　運行IMU的ROS驅動 504
13.1.4　運行相機的ROS驅動 504
13.1.5　運行底盤的urdf模型 505
13.1.6　傳感器一鍵啟動 506
13.2　運行SLAM建圖功能 506
13.2.1　運行激光SLAM建圖功能 507
13.2.2　運行視覺SLAM建圖功能 508
13.2.3　運行激光與視覺聯合建圖功能 508
13.3　運行自主導航 509
13.4　基于自主導航的應用 510
13.5　本章小結 511
附錄A　Linux與SLAM性能優(yōu)化的探討 512
附錄B　習題 523