<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[JaydenQ的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/JaydenQ</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; JaydenQ]]></copyright><item><title><![CDATA[DROID-SLAM论文解读]]></title><link>https://blog.csdn.net/JaydenQ/article/details/147573329</link><guid>https://blog.csdn.net/JaydenQ/article/details/147573329</guid><author>JaydenQ</author><pubDate>Mon, 28 Apr 2025 10:05:50 +0800</pubDate><description><![CDATA[DROID-SLAM是一种基于深度学习的视觉SLAM系统，支持单目、双目和RGB-D相机，其核心优势在于高精度与鲁棒性。该方法通过深度神经网络实现了端到端的运动估计与场景重建，在连续视频流场景中表现出色，尤其在动态环境（如雨天）下仍能保持稳定性能。其视觉前端采用特征点检测与匹配技术，结合后端的光束法平差（Bundle Adjustment）优化，可实时估计相机位姿并构建稠密地图。然而，DROID-SLAM的设计存在一定局限性。]]></description><category></category></item><item><title><![CDATA[如何使用3D高斯分布进行环境建模]]></title><link>https://blog.csdn.net/JaydenQ/article/details/145797027</link><guid>https://blog.csdn.net/JaydenQ/article/details/145797027</guid><author>JaydenQ</author><pubDate>Sat, 22 Feb 2025 16:30:00 +0800</pubDate><description><![CDATA[使用3D高斯分布来进行建模，关键在于通过引入不确定性描述来提高建图的鲁棒性和精度。与传统点云表示相比，3D高斯分布提供了一种更为灵活和有效的方式来处理空间数据，能够通过协方差矩阵表示点的空间不确定性，帮助优化SLAM过程中的定位和地图更新。]]></description><category></category></item><item><title><![CDATA[基于辐射场的SLAM算法的理解]]></title><link>https://blog.csdn.net/JaydenQ/article/details/145794170</link><guid>https://blog.csdn.net/JaydenQ/article/details/145794170</guid><author>JaydenQ</author><pubDate>Sat, 22 Feb 2025 13:57:45 +0800</pubDate><description><![CDATA[基于辐射场的SLAM算法利用了辐射场的概念，将光照、纹理和几何信息结合在一起，为环境建图和定位提供了更加精细和鲁棒的表示。这种方法通过考虑每个点的辐射特性，不仅能够实现高精度的三维建图，还能更好地处理复杂的光照条件和视角变化，从而增强了SLAM系统在真实环境中的应用能力。]]></description><category></category></item><item><title><![CDATA[未来SLAM的研究方向和热点]]></title><link>https://blog.csdn.net/JaydenQ/article/details/145777610</link><guid>https://blog.csdn.net/JaydenQ/article/details/145777610</guid><author>JaydenQ</author><pubDate>Fri, 21 Feb 2025 14:53:08 +0800</pubDate><description><![CDATA[SLAM技术正朝着更高效、更智能、更鲁棒的方向发展，结合深度学习、多传感器融合和优化算法等技术，未来的SLAM系统将在动态环境、大规模环境和复杂应用中发挥更重要的作用。随着自动驾驶、机器人、AR/VR等应用的普及，SLAM的研究前景非常广阔，热点方向主要集中在提高精度、效率、实时性以及适应复杂环境的能力上。]]></description><category></category></item><item><title><![CDATA[YOLOV7的复现过程]]></title><link>https://blog.csdn.net/JaydenQ/article/details/145756442</link><guid>https://blog.csdn.net/JaydenQ/article/details/145756442</guid><author>JaydenQ</author><pubDate>Thu, 20 Feb 2025 16:09:59 +0800</pubDate><description><![CDATA[YOLOv7 复现的过程其实是比较直接的，官方提供的代码已经很清晰并且易于理解。你可以根据需求进行调整，选择合适的模型结构和训练策略来优化你的应用场景。]]></description><category></category></item><item><title><![CDATA[YOLOv5与YOLOv7在性能上的一些差异]]></title><link>https://blog.csdn.net/JaydenQ/article/details/145756242</link><guid>https://blog.csdn.net/JaydenQ/article/details/145756242</guid><author>JaydenQ</author><pubDate>Thu, 20 Feb 2025 16:03:22 +0800</pubDate><description><![CDATA[YOLOv5 和 YOLOv7 都是非常受欢迎的目标检测模型，都是基于 YOLO (You Only Look Once) 系列的，目标是实时且高效的物体检测。虽然两者的名字接近，但它们在设计、精度和性能上有些差异。]]></description><category></category></item><item><title><![CDATA[动态SLAM研究相关数据集介绍]]></title><link>https://blog.csdn.net/JaydenQ/article/details/145746108</link><guid>https://blog.csdn.net/JaydenQ/article/details/145746108</guid><author>JaydenQ</author><pubDate>Thu, 20 Feb 2025 09:58:55 +0800</pubDate><description><![CDATA[动态SLAM（Simultaneous Localization and Mapping with Dynamic Objects）是传统SLAM（同步定位与地图构建）的一个扩展，专注于处理动态环境中的物体。在动态环境下，SLAM不仅需要构建地图和定位，还要识别和处理动态物体（如人、车辆等）。因此，相关的数据集通常包含动态环境下的传感器数据（如激光雷达、相机、IMU等），并且标注了动态物体的运动轨迹。]]></description><category></category></item><item><title><![CDATA[ChatGLM-6B模型]]></title><link>https://blog.csdn.net/JaydenQ/article/details/145723170</link><guid>https://blog.csdn.net/JaydenQ/article/details/145723170</guid><author>JaydenQ</author><pubDate>Wed, 19 Feb 2025 10:34:18 +0800</pubDate><description><![CDATA[一款中文对话生成大语言模型，其核心特点是基于，并且具有6亿个参数（因此叫6B）。]]></description><category></category></item><item><title><![CDATA[运行轨迹的生成方法]]></title><link>https://blog.csdn.net/JaydenQ/article/details/144600021</link><guid>https://blog.csdn.net/JaydenQ/article/details/144600021</guid><author>JaydenQ</author><pubDate>Fri, 20 Dec 2024 08:26:36 +0800</pubDate><description><![CDATA[生成运行轨迹的过程通常涉及从传感器数据中提取物体的位置信息，然后通过物体检测、数据关联、跟踪算法、轨迹平滑等步骤将这些位置信息转换为连续的轨迹。轨迹生成算法的选择与应用场景密切相关，依赖于目标的动态特性、传感器的类型、计算资源和实时性要求。]]></description><category></category></item><item><title><![CDATA[对象级SLAM与物品级SLAM的理解]]></title><link>https://blog.csdn.net/JaydenQ/article/details/143974002</link><guid>https://blog.csdn.net/JaydenQ/article/details/143974002</guid><author>JaydenQ</author><pubDate>Fri, 22 Nov 2024 14:55:54 +0800</pubDate><description><![CDATA[维度	对象级SLAM	物品级SLAM建模粒度	以大尺度的静态对象为主（如家具、墙壁）	以具体物品实例为主（如杯子、书本）语义信息	泛化语义级别	细粒度实例级别动态物体处理	较少考虑	更关注应用场景	室内导航、布局分析	物品抓取、人机交互关联与趋势。]]></description><category></category></item><item><title><![CDATA[TUM数据集创建和rosbag包转换成TUM数据集问题]]></title><link>https://blog.csdn.net/JaydenQ/article/details/142350403</link><guid>https://blog.csdn.net/JaydenQ/article/details/142350403</guid><author>JaydenQ</author><pubDate>Thu, 19 Sep 2024 09:20:16 +0800</pubDate><description><![CDATA[打开realsense-ros/realsense2_camera/launch/rs_d435_camera_with_model.launch文件，将align_depth的值改为true。这里我们使用D435i/D455来录制ROSBAG包，也可以使用其他的相机。首先安装realsense-ros，录制rosbag。完成后对齐时间，associate.py代码见资源。更改tiqu.py文件中的路径。]]></description><category></category></item><item><title><![CDATA[关于视觉SLAM中尺度的理解和尺度的确定]]></title><link>https://blog.csdn.net/JaydenQ/article/details/126119613</link><guid>https://blog.csdn.net/JaydenQ/article/details/126119613</guid><author>JaydenQ</author><pubDate>Tue, 02 Aug 2022 14:52:13 +0800</pubDate><description><![CDATA[在纯视觉SLAM中存在尺度不确定的问题，而在视觉和IMU融合系统中很好的解决了这一问题。一直困扰我的是如何去理解SLAM中的尺度？尺度到底代表了什么？]]></description><category></category></item><item><title><![CDATA[R3LIVE论文阅读]]></title><link>https://blog.csdn.net/JaydenQ/article/details/124647219</link><guid>https://blog.csdn.net/JaydenQ/article/details/124647219</guid><author>JaydenQ</author><pubDate>Mon, 09 May 2022 15:07:54 +0800</pubDate><description><![CDATA[R3LIVE: A Robust, Real-time, RGB-colored, LiDAR-Inertial-Visual tightly-coupled state Estimation and mapping package
作者：Jiarong Lin and Fu Zhang（香港大学)
视频：视频链接
开源代码：https://github.com/hku-mars/r3live
论文地址：论文原文
文章概述
R3LIVE 是一个面向各种应用的多功能系统，不仅可以作为实时机器人应用的SLAM系]]></description><category></category></item><item><title><![CDATA[LVI-SAM学习笔记3：clear()和shrink_to_fit()函数]]></title><link>https://blog.csdn.net/JaydenQ/article/details/124611132</link><guid>https://blog.csdn.net/JaydenQ/article/details/124611132</guid><author>JaydenQ</author><pubDate>Fri, 06 May 2022 15:30:03 +0800</pubDate><description><![CDATA[void freeCloudInfoMemory()
    {
        cloudInfo.startRingIndex.clear();
        cloudInfo.startRingIndex.shrink_to_fit(); // 从原来最大容量减少到现在所需要的容量（释放数组的容量）
        cloudInfo.endRingIndex.clear();
        cloudInfo.endRingIndex.shrink_to_fit();
        ...]]></description><category></category></item><item><title><![CDATA[LVI-SAM学习笔记2：相机模型]]></title><link>https://blog.csdn.net/JaydenQ/article/details/124591308</link><guid>https://blog.csdn.net/JaydenQ/article/details/124591308</guid><author>JaydenQ</author><pubDate>Thu, 05 May 2022 16:34:05 +0800</pubDate><description><![CDATA[本文参考知乎Alvin一路向东的《由粗到精学习LVI-SAM》专栏
图片截图自参考链接：Alvin一路向东
1. 针孔相机模型

u和v是观测值，z始终为1，我们可以认为这是由于单目相机丢失了路标点P的深度信息，通过像素坐标和相机内参，我们只能还原回P在归一化平面上的投影坐标[X/Z,Y/Z,1]。
2.畸变模型

路标点从世界坐标系到像素坐标系转化的过程：
点从世界坐标系→相机坐标系→归一化平面
对归一化平面上的点计算径向畸变和切向畸变：

畸变后的点投影到像素平面，得到像素坐标：


...]]></description><category></category></item><item><title><![CDATA[LVI-SAM学习笔记1：激光雷达点云去畸变原理]]></title><link>https://blog.csdn.net/JaydenQ/article/details/124589609</link><guid>https://blog.csdn.net/JaydenQ/article/details/124589609</guid><author>JaydenQ</author><pubDate>Thu, 05 May 2022 15:57:14 +0800</pubDate><description><![CDATA[本文参考知乎Alvin一路向东的《由粗到精学习LVI-SAM》专栏
1.为什么会产生畸变
与相机不同，相机的曝光时间都很短，每一帧之间的时间间隔很短，而且上一帧最后一个像素与当前帧第一个像素也没有连续关系，通常不考虑运动畸变。而激光雷达不同，激光雷达形成一帧点云，至少需要激光从一侧扫描到另一侧若干遍，而且激光雷达每一帧形成的时间都比较长，因此此过程中位姿变化也比较大，导致出现的点云与真实世界中差别很大，所以需要点云去畸变。
2.点云去畸变原理
上一帧点云的最后一个点就是当前帧点云的第一个点，这是点云去畸变的]]></description><category></category></item><item><title><![CDATA[evo轨迹曲线设置指令evo_config的使用]]></title><link>https://blog.csdn.net/JaydenQ/article/details/123449846</link><guid>https://blog.csdn.net/JaydenQ/article/details/123449846</guid><author>JaydenQ</author><pubDate>Sat, 12 Mar 2022 21:00:00 +0800</pubDate><description><![CDATA[下面举例几个比较常用的命令：
evo_config set plot_seaborn_style whitegrid 

这是修改背景，其中whitegrid可以替换成darkgrid, whitegrid, dark, white, ticks
evo_config set plot_seaborn_palette bright

这是修改线条，其中bright可以替换成deep, muted, bright, pastel, dark, colorblind
evo_config set plot_fo]]></description><category></category></item><item><title><![CDATA[evo_ape]]></title><link>https://blog.csdn.net/JaydenQ/article/details/123449360</link><guid>https://blog.csdn.net/JaydenQ/article/details/123449360</guid><author>JaydenQ</author><pubDate>Sat, 12 Mar 2022 20:13:52 +0800</pubDate><description><![CDATA[evo_ape指令是用来绘制绝对轨迹误差，其指令形式为：
evo_ape tum data.tum vio_loop.txt -r trans_part -v -as -p --save_results ./1.zip

-r表示ape所基于的姿态关系
-v表示verbose mode,详细模式
指令其他功能可以使用以下命令查看：
evo_ape tum --help

...]]></description><category></category></item><item><title><![CDATA[evo_rpe 指令介绍及使用]]></title><link>https://blog.csdn.net/JaydenQ/article/details/123446907</link><guid>https://blog.csdn.net/JaydenQ/article/details/123446907</guid><author>JaydenQ</author><pubDate>Sat, 12 Mar 2022 17:23:10 +0800</pubDate><description><![CDATA[evo_rpe指令是用来绘制相对轨迹误差，其指令形式为：
evo_rpe tum data.tum XXX.txt -r trans_part --delta 1 --delta_unit m -v -as -p --save_results ./ours_stereo.zip

–delta 1 --delta_unit m 表示的是每一米比较一次相对真实轨迹的轨迹误差
–save_results ./ours_stereo.zip 是将比较结果保存在./ours_stereo.zip中
-r表示ape所]]></description><category></category></item><item><title><![CDATA[evo_traj 绘制某个方向上的二维轨迹命令]]></title><link>https://blog.csdn.net/JaydenQ/article/details/123446705</link><guid>https://blog.csdn.net/JaydenQ/article/details/123446705</guid><author>JaydenQ</author><pubDate>Sat, 12 Mar 2022 17:09:36 +0800</pubDate><description><![CDATA[evo_traj 绘制某个方向上的二维轨迹命令：
evo_traj tum XXX.txt --plot_mode xy/xz/yz -p

用以上命令来绘制自己生成的.txt文件的运行轨迹，如果需要与真是轨迹作对比，则使用以下命令：
evo_traj tum XXX.txt --ref=uwb-ground-truth.txt --plot_mode xy/xz/yz -p -a

-a是让自己生成的轨迹与参考轨迹对齐，-p是绘制轨迹指令。

...]]></description><category></category></item></channel></rss>