自动驾驶与机器人中的SLAM技术

第一章带领学生了解SLAM在自动驾驶领域中的应用，主要包括定位和建图。随后复习SLAM中的基础知识，如运动学、优化方法等，便于对后续深入内容的讲解打下基础。

自动驾驶领域中一个非常重要的传感器就是IMU。第二章从IMU的底层出发，由浅入深讲解了IMU的原理与使用，其中对IMU如何得到角速度和位移做了详细的解答与数学推导。本章也讲解了IMU关系最为密切的ESKF滤波器，依然是从数学公式推导出发，得到最终形式。最终将用C++实践上述原理，并利用我们所学的IMU的原理和ESKF滤波器，结合卫星导航数据进行多传感器融合导航。

本章节主要讲解了IMU中的预积分系统，该系统是IMU作为紧耦合融合定位方法中必不可少的一环，与IMU密不可分。同上一章，我们从数学公式推导出发，深入讲解预积分系统，以及如何将预积分系统加入到图优化中实现紧耦合框架。最后我们同样结合卫星导航，实现基于预积分系统的组合导航。

近几年越来越多的自动驾驶解决方案加入了激光雷达。激光雷达的高精度使它在众多传感器中的地位逐渐凸显。因此本章着重讲解了激光雷达的基础，其中包括数学模型、点云最近邻查找、直线与平面拟合等算法。为后续激光里程计的讲解做好铺垫，帮同学们打下良好的基础。

2D激光SLAM是扫地机器人等领域应用的核心算法之一。本章从原理出发，展开讲解了2D激光SLAM中的不同模块，如Scan Matching、栅格地图、子地图、回环检测等，既帮助同学了解到2D激光SLAM中核心知识的数学推导和原理，又顺理成章引出了下一章3D激光SLAM的讲解。本章节最后通过C++对本章所讲内容进行代码实现，让同学们更好地理解2D激光SLAM是如何应用到实际项目中的。

3D激光SLAM是真正在自动驾驶中使用的算法。本章节有了上一章的铺垫，很自然地进入到多线激光雷达的原理和算法的讲解中。本章为同学们详细讲解了基于NDT和ICP类的直接法LO、特征点法LO以及引入IMU传感器的松耦合LIO，通过代码实现对比各个算法的优劣。最后结合近两章所学知识，实现一个LOAM-Like里程计，将所学知识应用起来。

LIO系统作为激光雷达和IMU融合的重要开源框架，在激光SLAM中拥有不可撼动的地位。第七章着重讲解了LIO系统松耦合和紧耦合的实现方式，不但让同学们从源码了解LIO的原理，而且帮助同学们复习了前几章中IMU的知识。本章还讲解了IEKF滤波算法，并对比了IEKF和ESKF的异同，使得同学们能够加深对滤波的理解，在工作中面对不同场景能够合理选择并设计算法，解决实际问题。

该章主要讲解点云建图方面的知识，还包括建图中不可或缺的回环检测、切片、导出和加载、以及基于ESKF实现的实时定位。帮助同学全面搭建自动驾驶中SLAM的学习框架，不仅让同学们学会实时定位，还会实时建图。最后结合全部课程所学知识，完成课程安排的大作业。