Ｖ-LOAM ：激光视觉融合 || 一、综述+代码分析

最新推荐文章于 2024-04-07 16:43:21 发布
最新推荐文章于 2024-04-07 16:43:21 发布
阅读量1.8k 收藏 5
点赞数 1
分类专栏： SLAM 文章标签： slam
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/discoverhfub/article/details/109218211
版权

题目：《Visual-lidar Odometry and Mapping: Low-drift, Robust, and Fast》 ，2015年发表在ICRA上，是一篇非常经典的视觉激光融合的SLAM方案。
该文提出了一个视觉激光融合的SLAM框架，在缺乏视觉特征和有挑战的运动情况下具有高鲁棒性。这个方法利用视觉里程计估计机器的运动，高速率低精度的对准点云。然后基于激光雷达的scan-match来优化运动估和点云对准，在KITTI的01序列达到了0.75%的位置漂移，系统在高速运动和照明变化的场景中也有很高的鲁棒性。

遗憾的是源码没有开源，本代码只是对论文的复现
代码分析目录：
Ｖ-LOAM 代码分析 || 1、视觉的特征提取

Discoverhub
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
SLAM综述(4)激光与视觉融合SLAM
点云PCL
05-24 6186
分享 SLAM包含了两个主要的任务：定位与构图，在移动机器人或者自动驾驶中，这是一个十分重要的问题：机器人要精确的移动，就必须要有一个环境的地图，那么要构建环境的地图就需要知道机器人的位置。 本系列文章主要分成四个部分： 在第一部分中，将介绍Lidar SLAM，包括Lidar传感器，开源Lidar SLAM系统，Lidar中的深度学习以及挑战和未来。 第二部分重点介绍了Visual SLAM，包括相机传感器，不同稠密SLAM的开源视觉SLAM系统。 第三部分介绍视觉惯性里程法SLAM，视觉SLAM中的深度
Mesh-LOAM：基于网格的实时激光雷达里程计和建图方案
点云PCL
01-12 110
在四个数据集上的实验结果证明了我们提出的方法在生成准确的运动轨迹和环境网格图方面的有效性。为了评估我们提出的方法的建图质量，将我们的方法与三种最先进的方法进行了比较，包括基于 TSDF 融合的方法 VDB Fusion、基于 Possion 回归的方法 Puma和基于学习的方法 SHINE-Mapping。本文采用了与 Puma和 SLAMesh类似的点对网格配准方法，可用于提高里程计精度，由于扫描帧到模型的匹配效果优于传统的扫描帧到扫描帧的匹配，我们的网格表示是通过连续累积的扫描帧计算得出的。
SLAM会议笔记（三）V-LOAM
qq_42680785的博客
12-30 1302
Visual-lidar Odometry and Mapping: Low-drift, Robust, and Fast Abstract 提出了一种新的使用激光雷达里程计和视觉里程计的框架，提升了表现，特别是在剧烈运动和短暂缺失视觉特征的情况。提出使用视觉里程计高频低精度在线估计帧间运动并且匹配校准高频雷达采集的点云，然后基于激光雷达里程计同时修正运动估计和点云配准。（结合DEMO和LOAM两种方法） SYSTEM OVERVIEW 视觉里程计 特征点的运动描述如下： 对有深度信息的特征点，将等式
【综述】视觉和激光雷达融合SLAM | 传统方法| 最新2020
weixin_42344264的博客
06-01 6188
视觉和激光雷达的综述 A Review of Visual-LiDAR Fusion based Simultaneous Localization and Mapping 先介绍基本SLAM原理，再视觉SLAM，再激光SLAM，最后介绍两者融合SLAM Section 2：SLAM 1、SLAM的概率方法解释 2、基于图的SLAM框架 Section 3：V-SLAM 1、所有这些视觉SLAM在光线改变或者低纹理环境都容易出错。 Section 4：LiDAR Based SLAM 1、基于
Ｖ-LOAM 代码分析 || 1、视觉的特征提取
Discoverhfub的博客
10-22 1386
#include <math.h> #include <stdio.h> #include <stdlib.h> #include <ros/ros.h> #include "cameraParameters.h" #include "pointDefinition.h" using namespace std; using namespace cv; bool systemInited = false; double timeCur, timeLast
V-LOAM总结
MAX_Hope的博客
09-27 853
V-LOAM可以参考：V-Loam论文解读 视觉里程计输出帧与帧之间的位姿。然后激光通过sweep to sweep（使用匀速模型）和 sweep to map（使用LOAM建图的一套寻找匹配点的策略）对激光点云进行配准。系统维护了一个深度图，在视觉里程计中优化函数包含：已知深度的点，三角化的点，和未知深度的点。 ...
VLOAM笔记
m0_46905397的博客
09-01 491
VLOAM个人理解
V-LOAM源代码学习（01Main package）
最新发布
weixin_42106382的博客
04-07 755
头文件引用省略，结合README文档梳理主函数的功能。
计算机视觉3-图像融合（python）
weixin_44738378的博客
06-04 999
想要融合两张图片，试编写以下代码 #读入库 import cv2 #读入两张原图 img_cat=cv2.imread("F:cat.jpg") img_dog=cv2.imread("F:dog.jpg") #两张图相加 img=img_cat+img_dog cv2.imshow('hecheng',img) cv2.waitKey(0) cv2.destroyWindow('hehceng') 运行结果如下： 这段话的意思是这两张图不能融合在一起，因为两个的大小不同，一个是（3...
RTAB-Map作为一个开放源代码的激光雷达和视觉SLAM库大规模和长期的在线操作
open123852的博客
05-04 5299
摘要： RTAB-Map从2013年开始作为开源库发布，最初是一种基于外观的闭环检测方法，带有内存管理，用于处理大规模、长期的在线操作。然后，它发展到在各种机器人和移动平台上实现同步定位和映射(SLAM)。由于每个应用程序在传感器、处理能力和移动方面都有自己的局限性，因此就成本、准确性、计算能力和集成的方便性而言，它提出了采用哪种SLAM方法最合适的问题。由于大多数SLAM方法要么是可视化的，要...
论文研究-一种融合激光和深度视觉传感器的SLAM地图创建方法.pdf
07-22
针对移动机器人的不确定复杂环境，一般采用单一传感器进行同时定位和地图创建（SLAM）存在精度较低，并且易受干扰、可靠性不足等问题，提出一种基于Bayes方法的激光传感器和RGB-D传感器的信息融合SLAM方法。利用Bayes方法通过概率启发式模型提取光束投影到栅格地图单元，充分利用激光与视觉信息中的冗余信息，提取一致性特征信息，并进行特征级的信息融合；在地图更新阶段，提出一种融合激光传感器和视觉传感器的贝叶斯估计方法，对栅格地图进行更新。在使用ROS（移动机器人操作系统）的实验平台上的实验表明，多传感器信息融合可以有效提高SLAM的准确度和鲁棒性。
汇总-VIO_激光SLAM相关论文分类集锦.zip
03-31
《激光SLAM与VIO技术综述：论文分类集锦》 在机器人定位与导航领域，视觉惯性里程计（Visual-Inertial Odometry, VIO）和激光SLAM（Simultaneous Localization and Mapping, 激光同步定位与建图）是两项至关重要的...
SLAM学习-论文综述(一)
aaaaPIKACHU的博客
02-15 3222
SLAM学习-论文综述(一)本文综述了激光雷达SLAM、视觉SLAM及其融合技术。 对于新的研究人员来说，掌握SLAM的发展并非常清楚地了解它是非常友好的。此外，本文还可以作为有经验的研究人员寻找新的兴趣方向的词典。
视觉激光融合SLAM分类简介——V-LOAM、VELO、LVI-SAM、LIMO
m0_58605508的博客
11-13 464
灰度摄像机: Point Grey Flea 2 (FL2-14S3M-C) ×2 (10 Hz,resolution: 1392×512 pixels, opening: 90◦ ×35◦),彩色摄像机: Point Grey Flea 2 (FL2-14S3C-C) ×2 (10 Hz,resolution: 1392×512 pixels, opening: 90◦×35◦),光学镜头(4-8 mm): Edmund Optics NT59-917 ×4。
V-Loam论文解读
qq_40114620的博客
09-05 3327
激光视觉融合的Ｖ-LOAM论文解读 论文题目：《Visual-lidar Odometry and Mapping: Low-drift, Robust, and Fast》 发表在2015年的ICRA上，是一篇经典的视觉激光融合的SLAM系统框架，但是作者未开源代码。 摘要 本文提出了一个视觉激光融合的框架，提升了系统在缺乏视觉特征和在有挑战的运动情况下的鲁棒性。这个方法利用视觉里程计估计机器的运动，高速率低精度的对准点云。然后基于激光雷达的scan-match来优化运动估和点云对，在KITTI的01序列
loam算法_论文解读|激光视觉融合的Ｖ-LOAM
weixin_39730587的博客
12-04 623
本文转载自「计算机视觉工坊」，该公众号重点在于介绍计算机视觉方向的知识点，主要包括3D算法、2D算法、自动驾驶、光学介绍、算法与编程等。论文题目：《Visual-lidar Odometry and Mapping: Low-drift, Robust, and Fast》 发表在2015年的ICRA上，是一篇经典的视觉激光融合的SLAM系统框架，但是作者未开源代码。在公众号「计算机视觉工坊」后台...
v-loam源码阅读（四）深度图点云与建图部分
weixin_42048023的博客
06-03 1810
在这一套代码中，激光部分其实是比较简略的，
V-LOAM的安装及测试
weixin_43678897的博客
03-10 1331
V-LOAM编译运行
VLOAM的安装运行
qq_56297952的博客
03-22 1990
1、运行过程中很有可能出现其他棘手的问题，非常推荐大家去相应github的issue区寻找同样的问题以及解决方案；2、运行ros时，需要考虑新终端是否source devel/setup.bash；3、以上代码运行过程中，需要特别注意是在什么文件夹下运行的、是否需要更改指令中的路径。
评论 1
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

打赏作者

Discoverhub

你的鼓励将是我创作的最大动力

¥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