# 相关资料 ## 相关资源 ### GAMES101 系统地介绍现代计算机图形学的四大组成部分：光栅化成像、几何表示、光的传播理论，以及动画与模拟 视频链接： 课程主页(PPT及作业)： ### SLAM14讲 SLAM（Simultaneous Localization and Mapping，即同时定位和地图构建）全书分为14讲，从基础概念开始逐步深入，介绍了多种常见的SLAM算法，包括基于激光雷达的前端建图（Frontend）、后端优化（Backend）、回环检测（Loop Closure Detection）等。此外，还讲解了多种传感器的融合方法，如IMU、GPS、相机等。整本书内容通俗易懂，涵盖面广，既适合初学者入门，也适合对SLAM算法有一定了解的研究人员深入学习。《SLAM14讲》已经成为国内外机器人领域最受欢迎的教材之一，对于推动机器人、自动驾驶等领域的发展有着重要的意义。 {% file src="" %} SLAM14讲教材 {% endfile %} ### 数学 奇异值分解（ICP相关）： 虚数/四元数（配准相关）： ## 点云还有什么 摘自网络 三维点云在工业界和学术界都是非常热门的研究领域，其最接近物理世界刻画的数据表征能力在机器人、自动驾驶等领域有着非常重要的应用，例如物体识别、物体跟踪、建图定位等，同时三维信息处理带来的多种任务的挑战，也是学术研究的热点问题，特别是基于深度学习的点云研究。在过去十年里，自动驾驶技术取得的巨大进步，主要得益于深度学习等技术的发展。 1. 全面认识点云处理基础，了解点云获取原理，掌握熟悉点云，曲面，体素等不同点云表征方法及处理手段； 2. 系统讲解三维空间基础知识，掌握欧拉角、旋转矩阵、四元数等刚体运动变换、三维空间变换基础知识； 3. 熟练掌握点云空间索引结构和搜索方法，包括KD-Tree，OC-Tree 等，掌握点云表征，滤波，聚类，分割，识别等几大核心问题，熟练掌握 PCL 点云库并进行项目实践； 4. 掌握基于点云特征的激光 SLAM 框架和原理，包括前端配准（ICP，PL-ICP，NDT 等），回环检测等； 5. 学习基于特征工程的激光点云识别与跟踪算法，介绍多传感器融合原理和方法；结合理论深度探究自动驾驶点云应用实践，包括激光雷达采集，校准，跟踪，识别和建图等核心任务； 6. 全面了解深度学习在点云研究的热点问题，学习利用深度学习解决三维点云处理问题，包括点云分类，分割，注册配准，重识别，重定位，物体识别等方向； 7. 深入学习经典点云深度学习模型，利用工程实践复现经典模型深化理解，包括 PointNet，PointNet ++，DGCNN，PointCNN，PointPillars，PointRCNN，3D 点胶囊网，PointNetVLAD，PointNetLK，Deep Closest Point 等； 8. 紧跟三维点云深度学习前沿研究发展（第三期新增），跟进讲解点云分类、分割、注册配准、重识别、重定位以及物体识别等方向的前沿模型研究，包括 RandLA-Net、Point-GNN、PointContrast、CenterNet3D、PointGroup、PointPainting、Offboard 3D Detection 等； 9. 开展手把手动手实践系列（第三期新增），针对点云物体识别部署的热点项目开展实践教学，包括数据集采集标注、物体检测网络训练调参、TensorRT 推理部署、ROS 感知系统实践等。