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入门必备知识 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 274
9.1.2　源码解读 310
9.1.3　安装与运行 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　源码解读 334
9.2.3　安装与运行 337
9.3　SVO算法 338
9.3.1　原理分析 338
9.3.2　源码解读 341
9.4　本章小结 341
第10章　其他SLAM系统 344
10.1　RTABMAP算法 344
10.1.1　原理分析 344
10.1.2　源码解读 351
10.1.3　安装与运行 357
10.2　VINS算法 362
10.2.1　原理分析 364
10.2.2　源码解读 373
10.2.3　安装与运行 376
10.3　机器学习与SLAM 379
10.3.1　机器学习 379
10.3.2　CNN-SLAM算法 411
10.3.3　DeepVO算法 413
10.4　本章小结 414
自主导航篇
第11章　自主导航中的数学基础 418
11.1　自主导航 418
11.2　环境感知 420
11.2.1　实时定位 420
11.2.2　环境建模 421
11.2.3　语义理解 422
11.3　路径规划 422
11.3.1　常见的路径规划算法 423
11.3.2　带约束的路径规划算法 430
11.3.3　覆盖的路径规划算法 434
11.4　运动控制 435
11.4.1　基于PID的运动控制 437
11.4.2　基于MPC的运动控制 438
11.4.3　基于强化学习的运动控制 441
11.5　强化学习与自主导航 442
11.5.1　强化学习 443
11.5.2　基于强化学习的自主导航 465
11.6　本章小结 467
第12章　典型自主导航系统 470
12.1　ros-navigation导航系统 470
12.1.1　原理分析 470
12.1.2　源码解读 475
12.1.3　安装与运行 479
12.1.4　路径规划改进 492
12.1.5　环境探索 496
12.2　riskrrt导航系统 498
12.3　autoware导航系统 499
12.4　导航系统面临的一些挑战 500
12.5　本章小结 500
第13章　机器人SLAM导航综合实战 502
13.1　运行机器人上的传感器 502
13.1.1　运行底盘的ROS驱动 503
13.1.2　运行激光雷达的ROS驱动 503
13.1.3　运行IMU的ROS驱动 504
13.1.4　运行相机的ROS驱动 504
13.1.5　运行底盘的urdf模型 505
13.1.6　传感器一键启动 506
13.2　运行SLAM建图功能 506
13.2.1　运行激光SLAM建图功能 507
13.2.2　运行视觉SLAM建图功能 508
13.2.3　运行激光与视觉联合建图功能 508
13.3　运行自主导航 509
13.4　基于自主导航的应用 510
13.5　本章小结 511
附录A　Linux与SLAM性能优化的探讨 512
附录B　习题 523