avenger_fang的博客

通过ldd可知程序运行链接的是robot下的glog,既然运行程序报error，说明robot下面的glog不包含_ZN6google21kLogSiteUninitializedE这个量，怀疑是在别的库包含这个量。通过上述两个的PATH和LD设置，也许能解决某个库的冲突，但是并不非常高效，这时解决方法：在cmake中 使用。设置库的路径，这里的设置在原来路径之上添加，可以看到保留了原来的$LD_LIBRARY_PATH。在其中找到库的位置，即可实现对此程序的库查找。找到当前运行时连接的glog。

为了学习，我这边从一个新Ubuntu18.04系统开始，单纯的环境来尝试open_vins。已经看了一遍MSCKF论文了，还有open-vins的论文。需要翻墙，/(ㄒoㄒ)/~~ 有没有可以翻墙的方法。等待安装成功，检测roscore、小海龟校验安装成功；6.安装ceres库，选择1.14.x版本；1.安装buntu18.04系统，不用多说。3.有了上面的编译器就可以安装cmake了。看完论文开始研究代码。

代码结构很清晰，从最外层看包含两个文件夹，一个是fast-lio,另外一个是加上scan-context的回环检测与位姿图优化。

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。

港科大2019论文Abstract定位或位置确定是机器人技术研究中的一个重要问题。在本文中，我们提出了一种利用三维激光雷达在不断变化的环境中进行的新方法。我们首先使用GPS和激光雷达创建一个真实环境的地图。然后，我们将地图划分为几个小部分作为点云配准的目标，这不仅提高了鲁棒性，而且还减少了配准时间。点定位技术使我们能够融合不同类型的里程计，这可以优化定位结果的准确性和频率。我们使用激光雷达和车轮编码器在无人地面车辆（UGV）上评估了我们的算法，并获得了融合后20 Hz以上的定位结果。

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。

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]。

不同的是，我们的里程计采用正态分布变换（NDT）方法，而不是在里程计模块中直接有效地提取与匹配扫描的特征点，也就是说，基于NDT的里程计在图1中称为直接里程计（DO）。然而，为了在KITTI里程计基准上达到可能的最大精度，激光雷达建图实际上以与激光雷达里程计基准相同的频率运行，并处理每个单独的扫描，运行在1 HZ，是传感器实时速度的10%。sC定义为sC =cC 1、cC 2、...，cnC，sS定义为sS =cS 1、c2 S，...，cS m，n和m分别为角和表面特征对应的个数。

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。

当出现这个问题时，经过一番搜索找到相关解答是gcc版本升级，这或许不能解决问题，经过多次重装系统测试，在ubuntu16.04下，若cmake 版本过高，则可能出现此问题，通常使用cmake3.18以上版本会出现此问题，当我把cmake版本安装为3.14版本时，不会出现此问题。通常选择源码安装最为方便，但记得将系统默认的/usr/bin下面的cmake或者cpack用源码编译好的/usr/local/bin/cmake 进行拷贝或者软链接。上面的是3.18版本，别装太高级版本就好。上面的是3.14版本。

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。

如果命中，会得到其物理地址，之后会访问cache缓存，如果cache中有要访问的数据，那么本次访问就结束，如果没有，就到内存中寻找，并更新cache缓存；而内存的物理地址中，二维数组是以行优先的顺序存储，测试图像数据大小为4096X1200字节，假设内存页为4096字节，那么按行优先遍历，遍历完一行则中断一次缺页，整个过程只需要中断1200次缺页异常，进行页替换。在内存中，数组是连续分布的。数组在内存中是按行优先存储的，在虚存环境下，如果整个数组没有在内存中的话可以比列优先减少内存换进换出的次数。

本文说明eulerAngles(0, 1, 2),和eulerAngles(2, 1, 0)的差异，并顺便将欧拉角、旋转矩阵、四元数一块的联系

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？

这里通过探索线性变换与所得数据协方差之间的关系，提供协方差矩阵的直观几何解释。大多数教科书基于协方差矩阵的概念来解释数据的形状。相反，这里采用向后的方法，并根据数据的形状解释协方差矩阵的概念。使用下图来显示标准差，作为方差的平方根，提供了数据在特征空间中分布的量度。高斯密度函数。对于正态分布的数据，68% 的样本落在均值加减标准差所定义的区间内。我们表明，可以通过以下方式获得样本方差的无偏估计：然而，方差只能用来解释数据在平行于特征空间轴的方向上的分布。