3. 【自动驾驶和机器人中的SLAM技术】实现基于预积分和图优化的GNSS+IMU+Odom的融合定位系统

1. 公式推导

在这里插入图片描述

2. GNSS+IMU+Odom融合定位

在这里插入图片描述
程序实现以及运行效果:
①首先是在预积分程序中记录了预积分积累的IMU数据个数(用来保证相邻两关键帧之间要有IMU预积分量来做约束)
在这里插入图片描述
在这里插入图片描述
②然后,参考addGnss部分代码修改addOdom部分代码:
在这里插入图片描述
在这里插入图片描述
运行效果:
在这里插入图片描述
在这里插入图片描述
上图显示开始一段轨迹平滑性不好,应该是odom与GNSS之间的IMU数据限制较少导致的,下面是修改了一下阈值,平滑性明显转好。
在这里插入图片描述
在这里插入图片描述

3. 利用数值求导工具,验证本书实验中的雅可比矩阵的正确性

利用g2o的自动求导功能来验证解析解对不对。

在这里插入图片描述
在这里插入图片描述
运行终端打印结果:
在这里插入图片描述
在这里插入图片描述

4. 也欢迎大家来我公众号读书–“过千帆”

  • 0
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
SLAM(全称为Simultaneous Localization and Mapping,即同时定位与建技术自动驾驶起到了重要的作用。 首先,SLAM技术可以实现自动驾驶车辆的定位功能。通过激光雷达、相机等传感器获取环境信息,并结合车辆的运动状态,可以实时估计出车辆在地的位置。这样,在车辆行驶过程系统可以不断地更新车辆的位置信息,随时调整路径规划和控制策略,提高行驶的精准性和安全性。 其次,SLAM技术还可以实现的构建。通过车辆搭载的传感器收集到的环境信息,可以将这些信息融合起来,生成精准的环境地,包括道路结构、交通标识、障碍物等。这样,车辆可以通过地对环境进行更加准确的认知,便于路径规划和避障。 然而,SLAM技术自动驾驶仍然存在一些难点。首先,传感器的准确性和稳定性是一个关键问题。不同的传感器会存在精度、干扰等方面的差异,需要进行精确的校准和数据融合,才能得到准确可靠的定位和建结果。 其次,实时性和计算复杂度也是SLAM技术的挑战。自动驾驶系统需要在实时性要求较高的情况下运行,因此需要在有限的时间内完成定位和地构建等计算。然而,SLAM算法本身较为耗时,需要高性能的计算平台和优化算法,以实现实时的定位和地更新。 此外,复杂的环境场景也是SLAM技术的挑战之一。在城市道路等复杂交通环境,存在大量的动态物体和障碍物,如行人、其他车辆等。这些动态物体的存在给定位和地构建带来困难,需要进一步研究和改进SLAM技术,以应对复杂环境下的自动驾驶需求。 综上所述,SLAM技术自动驾驶应用广泛,并且存在一些难点需要克服。随着技术的发展和不断的研究,相信SLAM技术会在自动驾驶领域取得更大的突破。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

宛如新生

转发即鼓励,打赏价更高!哈哈。

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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