avenger_fang的博客

PointCloudFilter.cc是点云预处理算法，封装成库，而point_cloud_filter.cc只是提供测试的一个接口，用来 验证点云预处理，只有ros初始化和main入口。而BlamSlam.cc为为SLAM算法接口，它封装成库， main程序通过它进入算法，包括ros的初始化、参数读取、传感器数据回调等。- point_cloud_filter：对输入的点云数据进行如进行统计滤波处理，得到过滤后的点云数据。对当前帧的点云数据与历史点云数据对比判断回环是否发生，发布位姿数据。

第一个关键的贡献，是我们工作的核心，是一个有原则的方法，建立在[11]的基础上，通过增加车辆状态和以前的状态的副本来融合相对测量，创建一个增强的状态向量，使用过滤框架获得和保持一致的估计。然而，这种融合是次优的，因为。最后，我们用一个新的实验平台（图1）来演示结果，以说明我们的框架在大规模的室内外自主空中导航实验中的鲁棒性，该实验包括平均速度超过440米，风速约为每小时10英里。我们强调，尽管基于SLAM的多传感器融合方法[12,13]产生最优结果，但对于自动控制的实时状态反馈，它们的计算成本是昂贵的。

GIL：一种紧密耦合的GNSS PPP/INS/激光雷达方法，用于精确的车辆导航。

定位和导航的需求不断增长。目前，全球导航卫星系统（GNSS）被认为是全球定位服务的重要手段。然而，由于严重的信号衰减、反射和阻塞，其在城市地区的应用受到了限制。惯性导航系统（INS）可以在短时间内提供高精度的导航输出，但其精度存在误差累积的问题，特别是在配备低成本的2微纳制造的（MEMS）惯性测量单元（IMUs）时。此外，光检测和测距（LiDAR）在车辆中越来越普遍，它可以检测环境中丰富的几何信息，从而进行自我运动估计。针对利用这些车载技术的互补特点。

在惯导的使用中，我们时常要使用到姿态的更新，这里复习一些关于姿态变化的相关知识。两个坐标系之间的关系，可以通过描述，即我们通常熟悉的旋转矩阵SO(3)。根据欧拉转动定理，刚体从一个位置到另一个角位置的任意转动总能够等效于绕某一固定轴的一次转动，这一固定轴和转角就构成了的概念。我们将记为从b系到i系的坐标变换矩阵，也就是从i系到b系得坐标系变换矩阵，这里可以总结：i系为参考坐标系，放到上方，b系为动坐标系，放在下方。

目录 AbstractIntroductionRelated WorkSystem OverviewOfflfline Environmental MappingGraph SLAMGround Plane ConstraintGPS ConstraintSLAM framework evaluationOnline People Behavior MeasurementSensor LocalizationPeople Detection and TrackingSensor Localization E

Abstract意大利米兰理工学院Abstract地面车辆实时六自由度姿态估计，由于自动驾驶和三维建图等诸多应用，是机器人技术中一个相关和被研究广泛的课题。虽然有些系统已经存在，但它们要么不够准确，要么在实时运行中比较局限。在本文中，我们提出了一种快速、准确和模块化的激光雷达系统。我们首先应用降采样和离群值去除，以过滤噪声，减少输入点云的大小。过滤后的点云被用于姿态跟踪和地面检测，以地面优化估计的轨迹。

仅仅将一些基于NDT的匹配器[6]、[7]与ICP进行了比较，ICP是一种帧到帧匹配的标准方法，不再在最先进的SLAM实现中使用。正如Biber和斯特拉瑟[2 二维NDT论文]在最初的出版物中提出的那样，我们的(O)NDT地图由多个相同分辨率的子地图组成，沿着不同的轴移动了分辨率的一半。这可以用数值方法来解决，例如用ALGLIB [20]中的LM方法或NLopt [21]提供的不同方法，从中我们发现NEWUOA [22]最好，或者使用自动推导和适当的求解器来解析，例如用Ceres [18]。

Zhang [7]提出了一种名为激光雷达测程和映射（LOAM）的方法，该方法利用激光雷达得到点云图，并利用角点和平面点的距离来优化LM方法的目标。在我们的测试车辆上，我们使用霍尔效应传感器作为我们的车轮速度传感器，用来测量磁场的大小。图1显示了我们的图的结构，我们将Gk设置为由GPS数据生成的固定节点，Pk表示SE (3)中的激光雷达位姿。在提出的地图部分，我们添加了一个GPS约束和环闭包约束，得到了一个无漂移的地图，该基于GPS的建图方法算法可以实现实时性能。来验证我们的算法的准确性。

以上两个畸变计算补偿量是独立的，独立计算IMU数据在当前处理帧(上一激光帧)的角度变化量，并存下来作为数值以备使用；同理里程计也是类似，不同的是，里程会记录下当前处理帧(上一激光帧)点云开始时刻的里程计的测量值，包括位置和姿态，其坐标量为odom topic的坐标系。遍历当前处理帧(最新回调进的一个帧的前一帧）点云的每一个点，每一个点都不错过，然后调用去畸变的函数deskewPoint(&thisPoint, laserCloudIn->points[i].time)去这一个点的畸变。

【总结卡尔曼滤波器使用流程】1.第一步，我们根据前一时刻的状态X和前一时刻的估计不确定性P，根据系统的模型，包括是否带有控制，系统的微分方程得到系统的外推方程，通过系统模型，来估计下一时刻的状态。初始估计X(先验)和初始估计的不确定性P。初始估计的不确定维度和状态维度一致。反映出每一个状态的估计不确定性(方差)。建立微分方程，获得外推方程的状态转移矩阵F和控制矩阵G2.估计系统的过程噪声，过程噪声的设定，是选用离散形式还是连续形式，其值怎么确定？

当前状态估计基于状态更新方程;状态的下一个估计值（预测值）基于动态模型方程;这些滤波器之间的主要区别在于加权系数 α−β−(γ)的选择。有些滤波器使用恒定的加权系数，有些则需要在每次迭代（循环）时计算加权系数。Wiener Filter 维纳滤波Bayes Filter 贝叶斯滤波Least-squares Filter 最小二乘法滤波Kalman Filter 卡尔曼滤波Extended Kalman Filter 扩展卡尔曼滤波。

两年前，南洋理工的王晗等人在loam的基础上，为减少计算量，提出了一个也是纯激光SLAM的工程，也在IROS上发表一篇文章《F-LOAM : Fast LiDAR Odometry and Mapping》。整体来看和loam的算法没有太大差异，只是工程上进行缩减，在我自己的数据包上实际测试效果也还不错吧。A 传感器模型与特征提取机械式三维激光雷达通过旋转一个尺寸为M的垂直排列的激光束阵列来感知周围的环境。它用M个平行读数扫描垂直面。在每个扫描间隔期间，激光阵列在水平面上以恒定速度旋转，同时激光