本书是基于北京联合大学"旋风智能车”团队多年来在无人驾驶技术领域的积累而编写的面向本科层次的无人驾驶技术实践类教材。 全书共5章，第1章介绍无人驾驶技术及本书所用的无人驾驶教学系统与实验平台的基本情况和使用规范。第2章主要介绍无人驾驶技术感知层中各种传感器的基本应用实验，包括单目相机、双目相机、毫米波雷达、多维激光雷达、超声波雷达、差分导航基准站等常用设备的安装、标定和常用算法的实现。第3章 介绍通过CAN总线控制线控车辆底盘完成自动转向、自动速度控制和自动辅助信号控制的基本方法。第4章为无人车综合应用实验，包含轨迹跟踪、多传感器融合、定速巡航、自适应巡航和激光雷达SLAM建图等核心实验。第5章是基于深度学习的图像检测方法综合实验，以YOLOv3算法为例，完成了基于计算机视觉的交通信号灯检测与识别。 本书中的实验基于Ubuntu系统和ROS框架完成，配有示例代码和部分教学视频。本书适合从事无人驾驶技术研发工作的工程技术人员阅读，可作为高等学校无人驾驶实践课程的教材。

刘元盛，1973年生，教授，北京联合大学机器人学院轮式机器人系主任、博士研究生导师。人工智能学会智能驾驶专业委员会委员、北京市自动驾驶车辆道路测试专家委员会委员、北京市高教学会电子线路研究会理事，计算机学会智能汽车分会执委。2012年起，任北京联合大学李德毅院士智能车团队核心成员，“旋风智能车”团队负责人，主要研究智能驾驶技术中的多种传感器数据融合及精确定位技术。近5年发表各类高水平论文20余篇，以第一发明人获得发明专利授权10余项（专利成果转让1项），指导硕士研究生20名。获得“北京市创新团队”、“北京市拔尖人才培育计划” 等多项资助，主持北京市科委电动汽车重大专项课题以及多项企业横向课题，获得国家和北京市教学成果奖多项，获得吴文俊人工智能科学技术二等奖1项。近五年内，主持了各类型号共80辆无人驾驶车辆的改造和示范运行工作，在国内率先提出低速园区无人驾驶的解决方案以及无人驾驶教学系统方案并在国内众多高校推广应用。

目 录

第1章 无人驾驶技术及教学系统与
实验平台 1
1.1 无人驾驶技术 1
1.1.1 感知层 1
1.1.2 认知决策层 1
1.1.3 车辆控制层 2
1.2 无人驾驶教学系统说明 2
1.2.1 无人驾驶教学系统的需求 2
1.2.2 无人驾驶教学系统的构成 2
1.2.3 课程资源 3
1.3 无人驾驶实验平台介绍 4
1.3.1 旋风4座智能车 5
1.3.2 旋风小AI智能车 5
1.4 无人驾驶实验平台安全使用
说明 6
1.4.1 安全警示 6
1.4.2 对使用人员的要求 7
1.4.3 使用前的检查 7
1.4.4 使用中的要求 7
1.4.5 使用后的要求 7
1.4.6 车辆充电的要求 7
第2章 无人车传感器基本实验 8
2.1 实验软件环境概述 8
2.1.1 ROS环境安装及相关配置 8
2.1.2 工程开发示例简介 19
2.2 单目相机的安装与标定 26
2.2.1 实验背景与原理 26
2.2.2 实验目的 27
2.2.3 实验环境 27
2.2.4 实验内容 28
2.2.5 实验步骤 28
2.3 单目相机的应用 32
2.3.1 基本背景与原理 32
2.3.2 实验目的 32
2.3.3 实验环境 32
2.3.4 实验内容 33
2.3.5 实验步骤 33
2.3.6 实验结果与分析 39
2.4 双目相机的标定 42
2.4.1 实验背景与原理 42
2.4.2 实验目的 44
2.4.3 实验环境 44
2.4.4 实验内容 44
2.4.5 实验步骤 45
2.5 毫米波雷达的数据解析与测试 50
2.5.1 实验背景与原理 50
2.5.2 实验目的 52
2.5.3 实验环境 52
2.5.4 实验内容 52
2.5.5 实验步骤 53
2.5.6 实验结果与分析 58
2.6 多维激光雷达的安装、标定与
数据解析 63
2.6.1 实验背景与原理 63
2.6.2 实验目的 71
2.6.3 实验环境 71
2.6.4 实验内容 72
2.6.5 实验步骤 72
2.6.6 实验结果与分析 76
2.7 多维激光雷达点云聚类 77
2.7.1 实验背景与原理 77
2.7.2 实验目的 79
2.7.3 实验环境 79
2.7.4 实验内容 79
2.7.5 实验步骤 79
2.7.6 实验结果与分析 82
2.8 超声波雷达的数据解析 84
2.8.1 实验背景与原理 84
2.8.2 实验目的 86
2.8.3 实验环境 86
2.8.4 实验内容 86
2.8.5 实验步骤 86
2.8.6 实验结果与分析 87
2.9 差分导航基准站的架设与
配置 89
2.9.1 实验背景与原理 89
2.9.2 实验目的 90
2.9.3 实验环境 91
2.9.4 实验内容 91
2.9.5 实验步骤 91
2.9.6 实验结果与分析 96
2.9.7 实验内容扩展 96
2.10 差分定位系统解析 96
2.10.1 实验背景与原理 96
2.10.2 实验目的 100
2.10.3 实验环境 100
2.10.4 实验内容 100
2.10.5 实验步骤 101
2.10.6 实验结果与分析 109
2.11 差分导航规划 111
2.11.1 实验背景与原理 111
2.11.2 实验目的 115
2.11.3 实验环境 115
2.11.4 实验内容 115
2.11.5 实验步骤 116
2.11.6 实验结果与分析 120
2.12 IMU的安装与标定 123
2.12.1 实验背景与原理 123
2.12.2 实验目的 124
2.12.3 实验环境 124
2.12.4 实验内容 124
2.12.5 实验步骤 125
2.13 UWB的安装与测试 131
2.13.1 实验背景与原理 131
2.13.2 实验目的 136
2.13.3 实验环境 136
2.13.4 实验内容 136
2.13.5 实验步骤 136
2.13.6 实验内容扩展 138
2.14 UWB的数据解析及定位 140
2.14.1 实验背景与原理 140
2.14.2 实验目的 141
2.14.3 实验环境 141
2.14.4 实验内容 141
2.14.5 实验步骤 142
2.14.6 实验结果与分析 147
第3章 线控车辆控制应用实验 150
3.1 线控车辆技术概述 150
3.1.1 线控车辆的基本结构 150
3.1.2 CAN总线通信基本知识 151
3.1.3 CAN总线通信协议实例 153
3.1.4 CAN模块的选择和使用
方法 155
3.1.5 CAN模块的安装方法 156
3.1.6 UDP通信协议 156
3.1.7 线控底盘实验平台介绍 156
3.2 CAN总线调试实验 157
3.2.1 实验背景与原理 157
3.2.2 实验目的 160
3.2.3 实验环境 161
3.2.4 实验内容 161
3.2.5 实验步骤 161
3.2.6 实验结果与分析 167
3.3 线控转向实验 170
3.3.1 实验背景与原理 170
3.3.2 实验目的 171
3.3.3 实验环境 171
3.3.4 实验内容 171
3.3.5 实验步骤 171
3.3.6 实验结果与分析 176
3.4 线控挡位与速度实验 179
3.4.1 实验背景与原理 179
3.4.2 实验目的 179
3.4.3 实验环境 179
3.4.4 实验内容 180
3.4.5 实验步骤 180
3.4.6 实验结果与分析 185
3.5 线控辅助信号实验 187
3.5.1 实验背景与原理 187
3.5.2 实验目的 190
3.5.3 实验环境 190
3.5.4 实验内容 190
3.5.5 实验步骤 190
3.5.6 实验结果与分析 196
第4章 无人车综合应用实验 198
4.1 基于GNSS导航的轨迹跟踪
实验 198
4.1.1 实验背景与原理 198
4.1.2 实验目的 198
4.1.3 实验环境 198
4.1.4 实验内容 199
4.1.5 实验步骤 199
4.1.6 实验结果与分析 212
4.2 毫米波与激光雷达的数据融合
实验 214
4.2.1 实验背景与原理 214
4.2.2 实验目的 216
4.2.3 实验环境 216
4.2.4 实验内容 217
4.2.5 实验步骤 217
4.2.6 实验结果与分析 227
4.3 视觉与激光雷达的联合标定
实验 229
4.3.1 实验背景与原理 229
4.3.2 实验目的 230
4.3.3 实验环境 230
4.3.4 实验内容 231
4.3.5 实验步骤 231
4.3.6 实验结果与分析 237
4.4 车辆定速巡航实验 238
4.4.1 实验背景与原理 238
4.4.2 实验目的 239
4.4.3 实验环境 239
4.4.4 实验内容 239
4.4.5 实验步骤 239
4.4.6 实验结果与分析 244
4.5 车辆自适应巡航仿真实验 246
4.5.1 实验背景与原理 246
4.5.2 实验目的 247
4.5.3 实验环境 247
4.5.4 实验内容 247
4.5.5 实验步骤 247
4.5.6 实验结果与分析 250
4.6 激光雷达SLAM建图实验 252
4.6.1 实验背景与原理 252
4.6.2 实验目的 255
4.6.3 实验环境 255
4.6.4 实验内容 255
4.6.5 实验步骤 255
4.6.6 实验结果与分析 258
第5章 基于深度学习的图像检测方法
综合实验 263
5.1 原理概述 263
5.1.1 基于图像的目标检测方法 263
5.1.2 交通信号灯检测与识别
方法 264
5.1.3 YOLOv3算法介绍 264
5.2 实验内容 268
5.2.1 基本流程 268
5.2.2 实验目的 269
5.2.3 实验环境 269
5.3 实验步骤 270
5.3.1 数据样本采集与预处理 270
5.3.2 数据样本标注 275
5.3.3 数据集划分 277
5.3.4 搭建深度学习环境 280
5.3.5 深度学习模型的应用 285
5.3.6 深度学习实验结果检测 289
5.4 实验结果与分析 290
5.4.1 检测结果 290
5.4.2 检测结果分析 292
5.5 实验内容扩展 293