激光SLAM
文章平均质量分 90
超爱吃小蛋糕的66
这个作者很懒,什么都没留下…
展开
-
高翔博士Faster-LIO论文和算法解析
Faster-Lio是高翔博士在Fast系列的新作,对标基线是Fast-LIO2,核心是提出一种新的"数据结构"`ivox`,类似于Fast-LIO2中的`ikd-tree`,用于点云配准搜索和地图的增量更新。效果上整个LIO系统的用时相比Fast-LIO2有较大幅度的下降,精度上评估了每百米的APE和RPE,从结果上看有好有差。近年来的作品精度上似乎都大差不差,如LIO-SAM,FAST-LIO系列,更多的都是在卷实时性。原创 2024-01-08 15:23:29 · 2262 阅读 · 0 评论 -
FAST-LIO2:论文和算法解析
本文介绍了FAST-LIO2算法:一种快速、鲁棒、通用的激光雷达-惯性里程计框架。FAST-LIO2基于高效的紧密耦合迭代卡尔曼滤波器,具有两个关键的新颖之处,可实现快速,稳健和准确的激光雷达导航(和测绘)。第一种方法是直接将原始点注册到地图上然后更新地图,而不提取特征。这样可以利用环境中的细微特征,从而提高准确性。消除手工设计的特征提取模块,也使其能够适应不同扫描模式的新兴激光雷达;原创 2024-01-05 16:20:12 · 2252 阅读 · 0 评论 -
FAST-LIO论文解析
本文提出了一种计算效率高、鲁棒性好的激光-惯性里程计框架。我们使用紧耦合的迭代扩展卡尔曼滤波器将LiDAR特征点与IMU数据融合在一起,从而在快速运动、嘈杂或混乱的环境中实现鲁棒导航。为了在大量测量数据的情况下降低计算负荷,我们提出了一个新的计算卡尔曼增益的公式。新公式的计算量依赖于状态维数而不是测量维数。在各种室内和室外环境中对所提出的方法及其实现进行了测试。原创 2023-12-29 15:15:18 · 1888 阅读 · 0 评论 -
PCL自定义点云的数据类型PointXYZIRT
个人编码习惯,将自定义点云写在一个头文件中,方便其他所有的源码文件使用。自定义点云数据结构对于自定义点云进行注册#endif其他PCL点云怎么使用自定义点云就怎么使用,不过对于某些PCL库的点云处理函数可能不支持自定义的点云。>>原创 2023-10-30 13:38:36 · 845 阅读 · 0 评论 -
LIO-SAM算法解析
LIO-SAM在lego-loam的基础上新增了对IMU和GPS的紧耦合,采用一个因子图对位姿进行优化,包括IMU因子,激光里程计因子,GPS因子、回环因子。虽然在创新点上没什么让人觉得有趣的东西,但是在性能上相比Lego-Loam,因为加入了高频的IMU,在一些不好的场景下表现要更鲁棒,回环处的漂移也更小。不过虽然加入了IMU,但似乎连松耦合都称不上,IMU预积分在LIO-SAM中的作用仅用来对激光点云做运动补偿去畸变,以及在scan-2-map时提供优化的初始位姿。原创 2023-10-27 14:03:41 · 1577 阅读 · 0 评论 -
Lego-Laom算法深度解析
作者的实验平台是一个移动小车(UGA),挂载了一个Velodyne VLP-16 线激光雷达,还配有一个低精度的 IMU;选用的硬件平台是 Nvidia Jetson TX2(ARM Cortex-A57 CPU);整体负载是 20Kg;移动速度为:2.0m/s;测试场景为:地面不平(比较颠簸)的草地。LeGO_LOAM的软件系统输入3D Lidar的点云,输出6DOF的位姿估计。这一部分的主要操作是分离出地面点云;同时对剩下的点云进行聚类,滤除数量较少的点云簇。原创 2023-10-26 16:26:35 · 331 阅读 · 0 评论