本章摘要：本章讲解相机畸变产生的原因，标定原理，以及如何通过opencv实现相机内参的标定。

本章摘要：关键点检测出来之后，需要将其与其它图像上的关键点进行匹配，匹配的依据是什么了，这就需要涉及到关键点的描述了。根据关键点描述的数据值，好对不同关键点进行区别、匹配。本章概略性的讲解了，梯度直方图描述算子，二进制描述算子，匹配方法，匹配结果筛选等。

本章摘要：介绍调频连续波（FMCW），如何进行测速，测速范围，测速分辨率如何计算。

本章摘要：在前两章中，讲解了激光雷达点云的分割、聚类基础原理以及实现。这一章主要介绍真实点云情况下的一些预处理，比如点云的导入、过滤、裁剪。然后根据单帧障碍物检测的pipeline，处理点云数据流。

本章摘要：激光雷达扫描得到的点云含有大部分地面点，这对后续障碍物点云的分类、识别和跟踪带来麻烦，所以需要将其分割掉。本章主要讲解点云的基础分割算法—RANSAC算法，通过例子分析其基本原理，然后讲解如何运用PCL实现RANSAC算法。

本章摘要：本章主要讲解毫米波雷达如何估计障碍物的方位角，方位角的分辨率计算，方位角可估算范围。

反向传播(back propagation)其实是梯度下降的延伸, 当神经网络超过2层的时候,就需要用到反向传播了.本文将通过简单的例子,讲解反向传播在神经网络中的运用.

本文主要讲解下，ros::spin()和ros::spinOnce()的使用细节，以及他们的区别。

本章摘要：在上一章，我们采用RANSAC算法分割出了地面点云，非地面点云。我们通常会对非地面点云进行进一步的分割，也就是对地面以上的障碍物的点云进行聚类，通过聚类，我们可以检测出障碍物的边缘，然后使用3维的Bounding Box将障碍物从三维点云中框出来。本章将讲解Euclidean 聚类算法、PCL实现，并对其所利用的基本的数据结构kd-tree进行讲解。

本章摘要：介绍什么是调频连续波（FMCW），它是如何进行测距的，测距分辨率分析，测距范围分析。