学习R3live的链接

已于 2022-10-20 18:16:41 修改
阅读量313 收藏 5
点赞数
分类专栏： R3live 文章标签： 学习
于 2022-09-28 10:38:20 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/WY110000/article/details/127083369
版权

原文地址：Jiarong Lin | Papers With Code

r3live代码：

GitHub - hku-mars/r3live: A Robust, Real-time, RGB-colored, LiDAR-Inertial-Visual tightly-coupled state Estimation and mapping packagehttps://github.com/hku-mars/r3live

论文翻译：R3LIVE：一个实时鲁棒、带有RGB颜色信息的激光雷达-惯性-视觉紧耦合系统（香港大学）..._Tom Hardy的博客-CSDN博客

r3live代码解析：R3LIVE 代码解析 - 知乎 (zhihu.com)R3LIVE 代码解析 - 知乎 (zhihu.com)

r3live编译与运行：R3LIVE开源代码全体验及测试 - 知乎 (zhihu.com)

它在传统SLAM框架下搭建了一套高性能雷达odometry-彩色点云Mapping-三维重建的体系，将Lidar-相机-IMU更直接有效的融合。它在建图的同时把RGB信息通过VIO子系统给点云上色，并通过一定的方法优化这个上色。

给点云的xyz加上了RGB和协方差信息之后，数据的信息要素就变多了，可拓展性也变强了。

VIO部分：

R3live笔记：（图像处理）视觉-惯性里程计VIO部分_代码多少钱一两的博客-CSDN博客

【论文阅读45】R3LIVE: A Robust, Real-time, RGB-colored, LiDAR-Inertial-Visual state Estimation and mapping - 知乎 (zhihu.com)

r3live系列学习（related work）：r3live系列学习_若愚和小巧的博客-CSDN博客

fast-lio R3Live系列学习（二）FAST-LIO源码阅读_若愚和小巧的博客-CSDN博客

算法细节：

ikd-tree：r3live ikd-tree - 简书 (jianshu.com)​​​​​​

ikd-tree_码一个河豚的博客-CSDN博客

有关标定：相机与激光雷达标定:gazebo仿真livox_camera_lidar_calibration---R3live算法验证_月照银海似蛟龙的博客-CSDN博客

多激光雷达的协同定位建图及在线外参自标定 - 知乎 (zhihu.com)

SLAM论文学习路线：激光SLAM论文简单导读--LOAM、VLOAM、LeGO-LOAM、LIO-SAM、LVI-SAM、LIMO、LIC-FUSION、TVL-SLAM、R2LIVE、R3LIVE_Flying Youth的博客-CSDN博客

WangYicxy
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
R3live适合ARM结构的源码 ubuntu18.04
03-30
R3live适合ARM结构的源码。ubuntu18.04
R3Live系列学习（五）R3Live源码阅读
weixin_42048023的博客
10-19 1840
编译它的时候可能会报“'ScalarBinaryOpTraits' in namespace 'Eigen' does not names a template type”之类的信息，这可能是由于电脑中存在多个Eigen库，可以在电脑上搜索出可能存在的Eigen库，不出意外的话会有包括ScalarBinaryOpTraits的也有没有包括的，直接在CMakeLists里面强行指定include路径，或者屏蔽没包括的那些Eigen库即可。
资料 | 2021年开源SLAM算法集锦
3D视觉工坊
01-11 984
本文汇总2021年公布的SLAM相关工作，后台回复“2021SLAM”可获得本文全部论文。1.TANDEM：Tracking and Dense Mapping in Real-time ...
R3LIVE++论文阅读
人无远虑，必有近忧
09-09 335
为了确保稳健和快速的收敛,我们设计了一个两步流水线,如图所示,其中在第一步 (即,帧到帧 VIO) 我们利用帧到帧光流来跟踪最后一帧中观察到的地图点,并通过最小化被跟踪点的透视 n 点 (PnP) 重投影误差来获得系统状态的粗略估计。然后,在第二步骤 (即帧到地图 VIO) 中,通过最小化地图点的辐射度与当前图像中它们的投影位置处的像素强度之间的差来进一步细化状态估计。此外，我们还记录该点的其他必要信息，包括点的估计误差的协方差，以及创建和更新该点时的时间戳。曝光时间 r 在我们的工作中是在线估计的。
国内外LiDAR SLAM实验室总结
qq_42251342的博客
04-07 2865
国内外知名slam实验室，主要介绍的是liadr slam相关的工作，列的不多，但是都是十分经典的
相机与激光雷达标定:gazebo仿真livox_camera_lidar_calibration---R3live算法验证
月照银海似蛟龙的博客
07-15 1305
ROS功能包:livox_camera_lidar_calibration提供了一个手动校准Livox雷达和相机之间外参的方法，已经在Mid-40，Horizon和Tele-15上进行了验证。其中包含了计算相机内参，获得标定数据，优化计算外参和雷达相机融合应用相关的代码。本方案中使用了标定板角点作为标定目标物，由于Livox雷达非重复性扫描的特点，点云的密度较大，比较易于找到雷达点云中角点的准确位置。相机雷达的标定和融合也可以得到不错的结果。在前几篇中介绍了livox_camera_lidar_calibr
R3LIVE编译运行(自己数据集)，用自己的设备实机操作中遇到的一系列问题
qq_51024665的博客
10-15 963
第一次写博客，创作不易，还望多多支持。主要记录之前遇到的问题，方便以后查看，主要以R3LIVE为例进行探讨。第一次写博客，希望大家多多支持。最后，总结一下下，实践才是检验真理的唯一标准，只有自己尝试了，才会出现很多别人没有遇到的问题，然后自己上网查资料以及询问其他大佬解决相关问题。
R3live论文翻译
JunJun
06-25 1472
在本文中，我们提出了一个新颖的激光惯性视觉传感器融合框架，也就是R3live；它利用了激光雷达、惯性和视觉传感器的测量值，可以得到鲁棒和高精度的状态估计。R3live包含了两个子系统，激光惯性里程计系统（LIO）和视觉惯性里程计系统（VLO）。LIO子系统（FAST-LIO）利用激光雷达和惯性传感器的测量数据构建全局地图的几何特征。VIO子系统则利用视觉和惯性传感器的测量数据给地图添加纹理（也就是给3D点赋予颜色）...............
R3Live系列学习（四）R2Live源码阅读（2）
weixin_42048023的博客
07-04 2371
（万字长文预警）由于最近换了部门，有许多要交接的事情要忙，并且设计开发了一个大型的视觉地图养成系统，非常有意思乃至于废寝忘食，所以文章鸽了很久，这一篇克服拖延症，将r2live的阅读写完。 r2live的状态估计依然是采取ESKF的方式，这部分一直都是大多数人（像我这种蠢人）的痛点。在这里真诚推荐一本“中篇小说”《Quaternion kinematics for the error state KF》，它确实能够成为本系列博客乃至多传感器融合领域的一种预备知识。...............
R3live：自己的数据集运行
handily_1的博客
04-01 2860
用自己的设备跑r3live
香港大学开源R3LIVE源代码
05-09
香港大学开源R3LIVE源代码
R3 Mono driver
07-10
R3 Mono driver，HotFix.9.1.4.6046 (1)，QIPVRetigaR3MonoCaptureInterface92
R3调试清零.rar
04-05
R3调试清零.rar
dynamics AX 2012 R3 学习笔记
03-11
dynamics AX 2012 R3 学习笔记，主要是讲的是如何利用Dynamics AX开发ERP系统。
R3LIVE项目实战(3) —双目相机与激光雷达 lidar_camera_calib联合标定
qq_41921826的博客
08-07 1790
lidar_camera_calib是一个在无目标环境中，用于高分辨率LiDAR（例如Livox）和摄像机之间准确的外部标定工具。我们的算法可以在室内和室外场景中运行，并且只需要场景中的边缘信息。如果场景适合，我们可以实现类似于或甚至超过基于目标的方法的像素级准确度。我们使用标定的外部参数给点云上色，并与实际图像进行比较。A和C是点云的局部放大视图。B和D是与A和C中的点云对应的摄像机图像的部分。
经典文献阅读之--R3LIVE
lovely_yoshino的博客
09-04 3790
之前作者在今年年初写了激光与摄像头混合的博客，当时一直想写R3LIVE的。但是一直苦于没有时间好好地去深入钻研探索。这段时间正好有比较充裕的时间做这个事情，所以这里我们对《》这篇文章进行学习与解析。这篇文章中中有很多值得我们借鉴和学习的地方。与LVI-SAM一样，它也是一个激光-惯性-视觉融合的传感器融合框架，利用激光雷达、惯性和视觉传感器的测量来实现鲁棒性和准确性的状态估计。由于R3LIVE是由进一步拓展来的。这里我们放上其他博主翻译的的论文。
R3LIVE：一个实时鲁棒、带有RGB颜色信息的激光雷达-惯性-视觉紧耦合系统（香港大学）...
qq_29462849的博客
09-14 4113
R3LIVE: A Robust, Real-time, RGB-colored, LiDAR-Inertial-Visual tightly-coupled state Estimati...
FME学习之旅---day27
最新发布
summer_corner的博客
05-17 236
我们付出一些成本，时间的或者其他，最终总能收获一些什么。
使用多实例学习进行乳腺癌组织病理学图像分类和定位
qq_47896523的博客
05-16 1216
乳腺癌是女性最主要的死亡原因，病理学家根据病理切片中观察到的各种视觉特征（例如细胞核的形态特征、细胞核的微观和宏观结构等）做出决定。计算机辅助诊断（CAD）系统可以帮助病理学家自动做出决策。卷积神经网络是最广泛使用的深度学习框架，用于学习图像类别之间的复杂判别特征。多年来，VGG16 [3] 和 ResNet18 [4] 等各种 CNN 架构在海量 ImageNet 数据集上产生了出色的结果。CNN 被用于医学图像以产生最先进的结果。为图像中存在的所有类别提供了定位信息。
R3LIVE代码详解
07-27
R3LIVE是一种激光-惯性-视觉结合的SLAM算法，被认为是非常经典的文章\[1\]。该算法使用了IMU、相机和激光雷达三个传感器，每个传感器都有不同的作用。R3LIVE的代码流程可以概括为以下几个部分。 首先是前言部分，其中介绍了R3LIVE算法的结构和各个传感器的作用\[1\]。 接下来是节点与话题的绘图部分，通过绘制节点和话题的图形，可以清晰地看到R3LIVE中的两个节点：/r3live_LiDAR_front_end和/r3live_mapping\[2\]。 然后是主函数部分，该部分在FAST-LIO2中已经详细介绍过，所以在R3LIVE中不再过多介绍\[3\]。 最后是重点部分，即VIO部分。在这部分中，R3LIVE算法进行了详细的操作，但由于篇幅限制，无法在这里进行详细介绍。建议参考相关文献或代码来深入了解R3LIVE的VIO部分\[3\]。 总之，R3LIVE是一种激光-惯性-视觉结合的SLAM算法，其代码包括前言部分、节点与话题的绘图部分、主函数部分和VIO部分。详细的代码解析可以参考相关文献或代码资源。 #### 引用[.reference_title] - *1* *2* [R3LIVE代码详解（一）](https://blog.csdn.net/lovely_yoshino/article/details/126572997)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [R3LIVE代码详解（三）](https://blog.csdn.net/lovely_yoshino/article/details/126676059)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值