- 博客(142)
- 资源 (2)
- 收藏
- 关注
转载 史上最强Mamba环境配置教程
同时博主创建了一个计算机视觉相关的科研互助群Q:950440005。另外,本人最近也对这些年的双模态检测工作做了总结,如果大家正在犯愁如何寻找双模态图像融合和目标检测相关的创新点,欢迎大家加群讨论👏👏👏最近Mamba模型可谓是火遍全球,在23年12月份的时候,MambaV1正式发布。作者在论文中证明了该模型在推理和训练方面的优势。但和最开始的《Attention is All You Need》一样,对图像领域产生颠覆性影响的Transformer也是最先应用于文本序列领域。
2024-07-29 21:01:10
298
1
原创 小白0基础怎么快速写一篇激光SLAM论文
这一步是非常重要的,完全决定了你能否最终改出一篇论文,刚开始阅读源码是十分困难的,因为SLAM的代码量很大且一般用C++去写。最后写introduction 和摘要,大部分审稿人只是和你的大方向相关其实不太明白你具体小方向的理论,introduction是审稿人唯一了解你论文为什么研究这个、研究意义是什么,有什么难点的内容。选完期刊,下载这个期刊的几篇与你相关的论文,看看他们怎么写,你才能更好的书写论文。SLAM方向对实验的要求还是挺高的,有条件的用自己数据集,没条件的用公用数据集例如kitti。
2024-07-24 16:36:06
928
2
原创 【文献解析】LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping
LOAM使用激光雷达和惯性测量单元(IMU),达到了最先进的性能,自KITTI里程计基准网站发布以来,一直被评为基于激光雷达的最佳方法。尽管取得了成功,但LOAM仍然存在一些局限性——通过将数据保存在全局体素图中,通常很难执行环闭合检测并结合其他绝对测量,例如GPS,以进行姿态校正。当这个体素地图在特征丰富的环境中变得密集时,它的在线优化过程变得不那么有效。LOAM在大规模测试中也存在漂移,因为它的核心是基于扫描匹配的方法。
2024-07-16 17:06:40
998
原创 【文献解析】Point-LIO: 一种鲁棒高速带宽的LIO
应用于导航任务的 LiDAR 传感器的基本要求是提供精确的位置估计以便机器人控制,以及一致且高速的测绘以便及时感知环境。通过以极高的速率(例如每秒数百万个)测量点,LiDAR 传感器可以实现相当高速率的里程计和测绘,从而可以跟踪极高速的运动。LiDAR传感器可以实现相当高的速率里程计和测绘,从而跟踪极高速的运动。然而,现有方法都基于类似于基于视觉的方法的帧体系结构,其中以特定的帧速率(例如,10赫兹)周期性地处理帧中的点。
2024-07-16 17:03:01
975
原创 【文献解析】Voxelmap++——一种自适应体素的LIO
在点云配准过程中,不可避免地要频繁地寻找K个最近邻点来拟合平面,这对于KD-Tree来说是一项耗时的任务。KD-Tree中最近邻搜索的时间复杂度是对数的,这对实时性能提出了很大的挑战。VoxelMap为LiDAR里程计引入了一种高效的、概率自适应体素映射,在稳健性和效率方面优于其他方法。然而,VoxelMap仍在进行改进,以达到最佳的完美水平。在冗余的六自由度平面表示中使用点和法线矢量,将导致不必要的资源浪费。
2024-07-08 11:53:13
1051
原创 【文献解析】Voxelmap——一种自适应体素地图
作为激光雷达测量的一种直接形式,点云地图易于实现。然而,点云图的一大缺点是难以考虑激光雷达测量噪声引起的地图不确定性。考虑到地图的不确定性,需要对环境中的显著特征(例如,平面)进行明确的参数化,在不同的激光雷达扫描中跟踪这些特征,并估计这些特征参数及其不确定性。本文提出了一种高效的概率自适应体素映射激光雷达里程计方法。该地图是体素的集合;每个体素包含一个平面特征,以实现环境的概率表示和新LiDAR扫描的准确配准。
2024-07-06 18:56:47
849
原创 【文献解析】一种像素级的激光雷达相机配准方法
在开发自动驾驶汽车时,通常会将激光雷达 (LiDAR)与摄像头传感器结合在一起。激光雷达传感器由于其直接的3D测量能力,已广泛应用于障碍物检测、跟踪和地图绘制应用。外部校准是机器人技术中一个研究得很好的问题,主要分为两类:基于目标的校准和无目标的校准。它们之间的主要区别在于它们如何定义和提取来自两个传感器的特征。当前的外部校准方法严重依赖外部目标,例如棋盘格或特定的图像模式。通过从图像和点云中检测、提取和匹配特征点,将原始问题转化为最小二乘方程并用其求解。
2024-07-06 18:55:23
1525
1
原创 从零入门激光SLAM(十三)——LeGo-LOAM源码超详细解析3
随着知识的越来越多,越来越细,我准备整理一个自己的激光SLAM学习笔记专栏,从0带大家快速上手激光SLAM,也方便想入门SLAM的同学和小白学习参考,相信看完会有一定的收获。如有不对的地方欢迎指出,欢迎各位大佬交流讨论,一起进步。博主创建了一个科研互助群Q:951026257,欢迎大家加入讨论。
2024-06-26 17:48:27
785
原创 SLAM中四元数、流形、李群、李代数是啥?
旋转矩阵不符合加法特性,两个旋转矩阵相加不再是旋转矩阵,这意味着不能对旋转矩阵求导,求导的本质是衡量函数在给定点处的变化率,不能加法运算就不利于求导。旋转矩阵位于流形空间,流形空间中的每个点都对应一个局部线性空间,所以需要找到旋转矩阵对应的线性表达,这就涉及到了李群李代数的转换。但旋转矩阵是一种特殊的结构,旋转矩阵的乘积是一个典型的非线性变换,它涉及到角度的叠加,而角度的叠加是非线性的。欧拉角的表示方式取决于旋转的顺序,不同的旋转顺序可能导致不同的结果。因此需要一种简单的表达旋转的方法,我们会想到欧拉角。
2024-06-04 16:16:17
1025
原创 从零入门激光SLAM(二十二)——Fast-lio2代码详解(三) 迭代误差更新
Fast-lio2原理解析见链接注释版代码完整版见本代码解析以算法流程的逻辑解析代码,一些简单的函数忽略讲解。
2024-05-31 10:38:40
520
原创 从零入门激光SLAM(二十二)——Fast-lio2代码详解(零) 整体代码框架解析
FASTLIO2-代码整体框架Fast-lio2原理解析见链接注释版代码完整版见本节对代码的整体框架进行解析,将代码与论文中的公式对应。
2024-05-30 12:30:34
1330
原创 从零入门激光SLAM(二十二)——Fast-lio2代码详解(二) iKD-Tree构建与点云观测模型
Fast-lio2原理解析见链接注释版代码完整版见本代码解析以算法流程的逻辑解析代码,一些简单的函数忽略讲解。
2024-05-30 12:29:07
655
原创 从零入门激光SLAM(二十二)——Fast-lio2代码详解(一) IMU预测与点云去除畸变
Fast-lio2原理解析见链接注释版代码完整版见本代码解析以算法流程的逻辑解析代码,一些简单的函数忽略讲解。
2024-05-30 12:27:36
1644
1
原创 从零入门激光SLAM(二十一)——FAST-LIO2论文解析
问题导向基于视觉传感器的高分辨率和高精度的实时密集测绘仍然是一个巨大的挑战,同时受到光照和运动模糊的影响。新兴激光雷达显著降低了成本、尺寸、重量和功率,有可能使现有的和新兴的机器人应用程序大范围受益。但目前LIDAR-SLAM存在如下挑战。LIDAR每秒产生数十万的点甚至更多,在有限的机载计算资源上,需要LiDAR里程计方法具有较高的计算效率。特征提取模块的性能很容易受到环境的影响。点云在运动过程中会产生显着的运动失真,影响里程计和绘图的性能。
2024-05-27 15:33:41
1982
原创 从零入门激光SLAM(二十)——IESKF代码实现
随着知识的越来越多,越来越细,我准备整理一个自己的激光SLAM学习笔记专栏,从0带大家快速上手激光SLAM,也方便想入门SLAM的同学和小白学习参考,相信看完会有一定的收获。如有不对的地方欢迎指出,欢迎各位大佬交流讨论,一起进步。博主创建了一个科研互助群,欢迎大家加入讨论。源码是高博大佬的,网址如下下面对代码的逻辑和主要函数进行解析。
2024-05-24 17:56:47
725
原创 从零入门激光SLAM(二十一)——看不懂FAST-LIO?进来
本文提出了 FAST-LIO,这是一种计算效率高且稳健的 LiDAR-惯性里程计框架,采用紧耦合迭代卡尔曼滤波器。我们使用前向和后向传播来预测 LiDAR 扫描中的状态并补偿运动。此外,我们证明并实施了一个等效公式,该公式可以大大降低卡尔曼增益计算的复杂度。FAST-LIO 在无人机飞行实验中进行了测试,在具有大旋转速度的具有挑战性的室内环境和室外环境中进行了测试。在所有测试中,我们的方法都产生了精确、实时且可靠的导航结果。
2024-05-24 17:36:22
4024
1
原创 从零入门激光SLAM(十九)——松耦合与紧耦合到底怎么区分
随着知识的越来越多,越来越细,我准备整理一个自己的激光SLAM学习笔记专栏,从0带大家快速上手激光SLAM,也方便想入门SLAM的同学和小白学习参考,相信看完会有一定的收获。如有不对的地方欢迎指出,欢迎各位大佬交流讨论,一起进步。博主创建了一个科研互助群,欢迎大家加入讨论。
2024-05-22 14:42:02
1514
原创 从零入门激光SLAM(十八)——ESKF实现组合导航
在误差状态卡尔曼滤波器中,真值等于名义状态变量+误差状态变量首先定义状态变量。p为平移,v为速度,R为旋转,b_g,b_a为零偏,g为重力,状态变量在连续时间下的运动方程为,其中带下标t的表示真值IMU的读数为则状态变量的运动方程为将状态变量拆为两部分:名义状态变量与误差如下所示。
2024-05-22 14:39:29
619
原创 激光雷达SLAM算法综述
即时定位与地图构建(simultaneous localization and mapping,SLAM)是自主移动机器人和自动驾驶的关键 技术之一,而激光雷达则是支撑SLAM算法运行的重要传感器。基于激光雷达的SLAM算法,对激光雷达SLAM总体框架进行介绍,详细阐述前端里程计、后端优化、回环检测、地图构建模块的作用并总结所使用的算法;按由2D到 3D,单传感器到多传感器融合的顺序,对经典的具有代表性的开源算法进行描述和梳理归纳;介绍常用的开源数据集,以及精度评价指标和测评工具;
2024-05-17 16:55:46
2291
原创 从零入门激光SLAM(十七)——SLAM中为什么用ESKF误差卡尔曼滤波器
上一节,介绍了卡尔曼滤波的基本原理,但在SLAM中却使用ESKF,让我们一起看看具体的原因是什么吧。
2024-05-16 09:24:27
673
原创 从零入门激光SLAM(十六)——卡尔曼滤波基础
卡尔曼滤波器(Kalman Filter)是一种用于估计动态系统状态的递归算法。它通过结合系统的动态模型和噪声观测数据,提供对系统状态的最优估计。卡尔曼滤波器广泛应用于信号处理、控制系统、导航、计算机视觉等领域。卡尔曼滤波器基于线性系统模型,假设系统的动态过程和观测过程都受到高斯噪声的影响。滤波器在两个主要步骤之间交替进行:预测(Prediction):根据系统的动态模型,利用前一时刻的状态估计来预测当前时刻的状态和协方差矩阵。
2024-05-15 16:39:00
891
原创 从零入门激光SLAM(十五)——IMU在SLAM中的用处
惯性测量单元(Inertial measurement unit,IMU),是测量物体三轴姿态角以及加速度的装置。陀螺仪用来测量三轴的角度/角速度,加速度计用来测量三轴的加速度,磁力计提供磁场朝向信息。IMU在SLAM系统中的作用是提供设备的姿态、运动和加速度信息,从而帮助系统理解设备的运动轨迹。即使在车辆静止时,IMU 的角速度和加速度输出也不一定形成均值为0的白噪声,而是带有一定的偏移。这个偏移量是由 IMU 内部的机电测量装置导致的,有些 IMU 的偏移较小,也有的会比较大。
2024-05-15 16:29:15
1066
原创 从零入门激光SLAM(十四)——简单有效的激光里程计KISS-ICP
SLAM系统经过长久的发展,系统变得越来越复杂,拥有许多参数需要调整,同时新型的激光雷达使得很多里程计不再适用。机器人平台的稳健和准确的位姿估计,即所谓的基于传感器的里程计,是许多机器人应用的重要组成部分。虽然许多传感器里程计系统通过增加运动估计过程的复杂性而取得了进展,但我们却朝着相反的方向前进。通过去掉大部分部件并聚焦于核心元件,我们获得了一个令人惊讶的有效系统,该系统易于实现,并且可以使用不同的激光雷达传感器在各种环境条件下运行。
2024-05-15 16:26:14
810
原创 从零入门激光SLAM(十三)——LeGo-LOAM源码超详细解析4
随着知识的越来越多,越来越细,我准备整理一个自己的激光SLAM学习笔记专栏,从0带大家快速上手激光SLAM,也方便想入门SLAM的同学和小白学习参考,相信看完会有一定的收获。如有不对的地方欢迎指出,欢迎各位大佬交流讨论,一起进步。,欢迎大家加入讨论。
2024-05-09 15:52:23
926
1
原创 3D高斯抛雪球最强综述
基于图像的3D场景重建时机器理解现实世界环境复杂性的基础,促进了3D 建模和动画、机器人导航、历史保存、增强/虚拟现实和自动驾驶等广泛应用。3D 高斯抛雪球被视为下一代3D重建和表示的潜在游戏规则改变者,开辟了大量的应用程序,具有巨大的潜能与应用价值值得人们探索。三维高斯抛雪球技术是近年来在显式辐射场和计算机图形学领域出现的一种变革性技术。这一创新方法的特点是利用了数百万可学习的3D高斯球,它与主流的神经辐射场方法有很大的不同,后者主要使用隐式的、基于坐标的模型来将空间坐标映射到像素值。
2024-05-09 15:51:36
969
原创 【文献解析】3D高斯抛雪球是个什么玩意
辐射场:辐射场是三维空间中光分布的表示,它捕捉光如何与环境中的表面和材料相互作用。显式辐射场:相反,显式辐射场直接表示离散空间结构中的光分布,隐式辐射场:隐式辐射场表示场景中的光分布,而不明确定义场景的几何体。显式表达方法(点、网格、体素)的连续性质有助于优化,但渲染所需的随机采样成本高昂,并且可能会导致噪声。隐式表达(NeRF)耗费计算资源巨大,运行速度慢。3D GS 表示从隐式辐射场到显式辐射场的转变。它通过利用3D高斯作为灵活高效的表示,利用了这两种方法的优势。
2024-05-08 17:11:55
705
原创 【文献解析】NeRF的原理是什么
从新视点生成照片级真实感输出需要正确处理复杂的几何体和材质反射比属性。目前还没有一种方法可以生成照片级的场景渲染,传统的Sfm重建质量不够高且仅仅将照片颜色投影到模型。
2024-05-08 17:07:44
395
原创 从零入门激光SLAM(十三)——LeGo-LOAM源码超详细解析2
LEGO-LOAM的第二个文件是Feature association,主要功能是对分割后的点云进行特征点提取和匹配操作,估算出位姿,本节将介绍整体功能和怎么从杂乱的点云中提取特征。提取特征能够避免使用全部点云进行计算和匹配,大大降低了内存资源,是3D激光SLAM能够实时建图的特新思想。所有LOAM系的算法均用角点和面点特征进行匹配。首先对无序点云进行特征提取,之后利用特征点进行匹配计算出位姿。
2024-05-07 17:07:03
819
原创 工程(十六)——自己数据集跑Fast_livo
Fast_liv/src/FAST-LIVO/config 需要改一个avia_resize.yaml和camera_pinhole_resize.yaml。关于固态激光雷达和相机的数据集如何建立见之前跑r3live的博客。下面两个直接把包下载下来一起编译就可以。选择自己的yaml文件和topic名称。1.config文件。
2023-12-29 23:48:14
1584
6
原创 工程(十五)——UBUNTU20.04跑Fastlio2
Ubuntu20.04ROS noeticPCL 1.8Eigen 3.3.4livox_ros_driver 三、运行测试下载作者提供的包https://drive.google.com/drive/folders/1CGYEJ9-wWjr8INyan6q1BZz_5VtGB-fP
2023-12-29 22:40:31
1432
1
原创 从零入门激光SLAM(十二)——evo工具箱
EVO代表"Evaluating Visual Odometry and SLAM systems",是一组用于比较和评估视觉里程计(Visual Odometry,VO)和SLAM(Simultaneous Localization and Mapping)系统的工具和方法。EVO工具箱提供了一种用于评估VO和SLAM算法输出轨迹与真实轨迹之间差异的方式。它可以从ROS数据包、KITTI数据集或者Euroc数据集等输入中读取数据,然后计算和显示VO和SLAM轨迹的误差、相对运动信息、以及其他性能指标。
2023-12-27 23:35:24
1912
原创 工程(十三)——基于激光视觉的SLAM三维重建
目前的主流三维重建算法包括:基于网络的纯视觉三维重建、基于SLAM算法的三维重建基于激光视觉SLAM(Simultaneous Localization and Mapping)的三维重建在多个方面具有许多优势,这些优势使其在许多领域如机器人导航、自动驾驶、建筑测绘、室内导航和虚拟现实等应用中受到广泛关注。以下是一些主要的优势:高精度:激光传感器能够提供高精度的深度信息,使得三维地图的重建精度很高。这对于需要精确定位和建立精确地图的应用非常重要,如自动驾驶车辆和机器人导航。
2023-11-07 22:44:50
1521
原创 工程(十四)——ubuntu20.04 PL-VINS
PL-VINS是基于最先进的基于点的VINS- mono,开发的一种基于点和线特征的实时、高效优化的单目VINS方法。原始的 PL-VINS是在ubuntu18.04基于opencv3去开发的。我的配置:ubuntu20.04+opencv4.2+eigen3.3.7更改好的代码如下,可直接用,需要修改mage_node_b.cpp的main函数第一行的地址。
2023-11-06 21:38:50
1018
2
原创 工程(十二)Ubuntu20.04LSD_SLAM运行
博主将修改好的LSD_SLAM放到github上供大家使用,适用于18.04 20.04,可直接使用。LSD_SLAM适配于ubuntu20.04修改过程的参考连接如下。
2023-11-06 13:54:54
742
1
原创 从零入门激光SLAM(十三)——LeGo-LOAM源码超详细解析1
首先LEGO-LOAM是在LOAM基础上基于地面优化,并且加入了简易的闭环检测,而LOAM是实时三维激光SLAM的开山鼻祖,使得实时三维重建成为可能,同时基于特征的激光SLAM基本上都是LOAM的衍生算法,思想大同小异。LEGO-LOAM在LOAM的基础上效果有巨大提升,同时代码可读性较高,所以将它作为入门SLAM的第一个算法非常合适。LEGO-LOAM系统框架如下所示其核心思想是将同时定位和映射的复杂问题划分为两个算法,该问题旨在同时优化大量变量。高频低保真的执行里程计。低频高保真执行地图优化。
2023-10-27 14:28:20
3561
10
原创 获取大疆无人机的飞控记录数据并绘制曲线
点击"创建应用",App Type 选择 "Open API",自行填写“App 名称”“分类”和“描述”,点击 "创建"。上一步生成的txt文件由于参数众多是巨大的,这里我写了一个py文件用于提取重要的信息,例如提取经纬度和高度。通过个人邮箱激活 App,在开发者网平台个人点击查看对应 App 信息,其中。将经纬度和高度生成xyz坐标和画图,暂定以前20个点的均值作为投影坐标系的原点。于是我更改了main.cc文件,使它能够保存数据到txt文件。飞行记录文件在打开【我的电脑】,进入遥控器内存,
2023-07-20 20:01:18
3691
1
原创 工程(十三)——从零用自己数据跑R3LIVE
相机选用4mm的广角相机,相机内参标定选择用最常见的棋盘格方法,首先安装ROS自带的包用usb_cam启动相机后进行标定。的长X宽--square:棋盘中小格的边长(m)image:=/... : 订阅图像的话题camera:=/camera: 相机name标定完之后,会生成一个内参文件,Intrinsic是相机矩阵,Distortion是畸变矩阵。
2023-07-03 00:09:14
2586
11
原创 Ubuntu更改CMAKE和C++版本
在代码移植的过程中,因为ubuntu版本的不同,经常会出现代码在新环境中编译不通过,其中有很多因素是因为camke和C++的版本不同,下面将给出方案。注意在更换CMAKE时,ROS需要重新安装一遍。修改C++的优先顺序,最后的值越大越优先。
2023-06-21 22:57:12
1493
原创 从零入门激光SLAM(十一)——如何求解SLAM问题
随着知识的越来越多,越来越细,我准备整理一个自己的激光SLAM学习笔记专栏,从0带大家快速上手激光SLAM,也方便想入门SLAM的同学和小白学习参考,相信看完会有一定的收获。如有不对的地方欢迎指出,欢迎各位大佬交流讨论,一起进步。
2023-05-19 22:51:52
1704
7
代码资源——激光雷达定点建图
2022-08-25
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人