《FAST-LIO相关学习资料汇总》

已于 2024-03-29 17:08:39 修改
阅读量335 收藏 3
点赞数 2
分类专栏： LiDAR-IMU 文章标签： Lidar-IMU
于 2024-03-26 18:48:28 首次发布
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/hltt3838/article/details/137054365
版权
本文汇总了关于FAST-LIO的相关学习资料，包括Ubuntu 18.04与20.04上安装Livox mid 360驱动及测试FAST_LIO的教程，FAST-LIO2的代码解析，以及手写FAST-LIO的实战经验分享。
摘要由CSDN通过智能技术生成
了解本专栏 订阅专栏 解锁全文 超级会员免费看
FAST-LIO2代码解析(五)
努力努力努力
04-12 374
上一节我们将主函数部分while外面的部分给讲完了，下面我们将深入while来学习里面的知识。
克服室内环境挑战：NV-LIO 带来激光雷达-惯性里程计新篇章
计算机视觉工坊
06-17 133
NV-LIO是一种基于法向量的激光雷达-惯性里程计框架，旨在实现多楼层室内环境的鲁棒SLAM。它利用激光雷达扫描生成的点云的法向量进行匹配，以提高点云配准的准确性。此外，NV-LIO还分析了法向量的分布，以检测退化解并调整匹配的不确定性，并引入了基于视角的闭环检测模块，以避免墙壁遮挡造成的错误匹配。实验结果表明，NV-LIO在各种数据集上均表现出色，尤其是在狭窄走廊和楼梯等具有挑战性的室内环境中。NV-LIO 是一种鲁棒且准确的激光雷达-惯性里程计框架，适用于多楼层室内环境的 SLAM。
激光SLAM总结——Fast LIO / Fast LIO2 / Faster LIO
weixin_44580210的博客
05-14 7317
激光SLAM总结——Fast LIO / Fast LIO2 / Faster LIO 在之前的工作中有接触过LOAM，最近在工作中又接触到Faster LIO相关的工作，于是想着对Fast LIO / Fast LIO2 / Faster LIO这一系列工作进行一个简单的总结，以加深自己对激光SLAM算法的理解，之前总结过的一些和激光SLAM算法相关的博客还有，感兴趣的同学可以一起学习讨论： 激光SLAM总结——VLOAM / LIMO算法解析 激光SLAM总结——LIO-Mapping / LIOM /
【FAST-LIO2】FAST-LIO2论文详解
格物致知
10-01 1682
本文介绍了FAST-LIO2：一种快速、鲁棒的、通用的激光雷达惯性里程计框架，FASTLIO2以高效紧耦合的方式迭代卡尔曼滤波器为基础，具有两个关键的新颖之处，可实现快速、稳健和精确的激光雷达的建图和导航。第一该方法是直接将原始点云配准到地图（随后更新地图），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，这里不采用人工设计的特征提取模块，使其自然适应不同扫描模式的新兴激光雷达；第二个主要创新点是通过。
阅读FAST-LIO2（Lidar-IMU）论文
努力努力努力
03-28 1246
本文介绍了：一种快速、稳健且通用的 LiDAR 惯性里程计框架。FASTLIO2 建立在高效紧耦合迭代卡尔曼滤波器的基础上，具有两个关键创新，可实现快速、稳健和准确的 LiDAR 导航（和映射）。第一个是（并随后更新地图，即映射）。这可以利用环境中的细微特征，从而提高准确性。手动设计的特征提取模块的消除也使其自然适应不同扫描模式的新兴激光雷达；第二个主要创新是（即点插入、删除）和。
FAST-LIO2：快速且直接的激光雷达与惯导里程计
人无远虑，必有近忧
07-21 1万+
本文介绍了FAST-LIO2：一种快速、稳健且通用的激光惯性里程计框架。FAST-LIO2建立在高效的紧耦合迭代卡尔曼滤波器的基础上，有两个关键的创新之处可以实现快速、稳健和准确的激光雷达导航（和建图）。第一个是不提取特征直接将原始点配准到地图（并随后更新地图，即建图），而这使得环境中的细微特征能够被使用，从而提高匹配准确性，且取消提取特征模块能够适应有着不同扫描模式的新兴雷达；第二个新颖之处是通过增量k-d树（ikd-tree）数据结构维护地图。ikd-tree支持增量更新（即点插入删除）和动态平衡。与现
从零入门激光SLAM（二十一）——FAST-LIO2论文解析
HUASHUDEYANJING的博客
05-27 3366
问题导向基于视觉传感器的高分辨率和高精度的实时密集测绘仍然是一个巨大的挑战，同时受到光照和运动模糊的影响。新兴激光雷达显著降低了成本、尺寸、重量和功率，有可能使现有的和新兴的机器人应用程序大范围受益。但目前LIDAR-SLAM存在如下挑战。LIDAR每秒产生数十万的点甚至更多，在有限的机载计算资源上，需要LiDAR里程计方法具有较高的计算效率。特征提取模块的性能很容易受到环境的影响。点云在运动过程中会产生显着的运动失真，影响里程计和绘图的性能。
FAST-LIO2:论文和算法解析
超爱吃小蛋糕的66的博客
01-05 8707
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;
FAST-LIO2：快速直接的激光雷达与惯导里程计
热门推荐
点云PCL
01-17 1万+
点云PCL免费知识星球，点云论文速读。文章：FAST-LIO2: Fast Direct LiDAR-inertial Odometry作者: Wei Xu∗1 , Yixi Cai∗1 ...
激光视觉惯导融合的slam系统
3D视觉工坊
11-09 1385
FAST-LIVO: Fast and Tightly-coupled Sparse-Direct LiDAR-Inertial-Visual Odometry本文提出了一种快速的激光视觉惯导融合的slam系统，可以分为LIO和VIO两个紧耦合的子系统。LIO直接把当前的扫描点和增量构建的地图对齐，地图点也会辅助基于直接法的VIO系统进行图像对齐。为了进一步提高vio系统的鲁棒性和准确性，作者提出...
CVPR2023 I PartManip从点云观察中学习跨类别零件操作的通用策略
计算机视觉工坊
04-30 109
本研究引入了一个大规模的基于部件的跨类别物体操作基准PartManip，包括六项真实环境中的任务。为了解决可泛化的基于视觉的策略学习问题，作者首先介绍了一种经过精心设计的基于状态的部件感知专家学习方法，然后是一个合理的从状态到视觉的蒸馏过程，以及一种域泛化技术，以提高跨类别泛化能力。通过广泛的仿真实验，作者证明了我们的方法在先前工作中的卓越性能。作者还在实际世界中展示了其性能。
风机盘管联网集成监控系统 新风控制系统
01-16
风机盘管联网集成监控系统 新风控制系统
AI实战-法国航空客户评论数据集分析预测实例（含6个源代码+1.65 MB完整的数据集）.zip
01-16
AI实战-法国航空客户评论数据集分析预测实例（含6个源代码+1.65 MB完整的数据集） 代码手工整理，无语法错误，可运行。 包括：6个代码，共37.40 KB；数据大小：1个文件共1.65 MB。 使用到的模块： pandas numpy re sklearn.feature_extraction.text.CountVectorizer nltk.corpus.stopwords textblob.TextBlob wordcloud.WordCloud nltk seaborn matplotlib.pyplot sklearn.model_selection.train_test_split sklearn.ensemble.RandomForestClassifier sklearn.metrics.classification_report lime.lime_text.LimeTextExplainer os textstat.flesch_reading_ease warnings sklearn.feature_extraction.text.TfidfVectorizer sklearn.ensemble.ExtraTreesClassifier sklearn.ensemble.GradientBoostingClassifier sklearn.ensemble.AdaBoostClassifier sklearn.linear_model.LogisticRegression sklearn.svm.SVC xgboost.XGBClassifier lightgbm.LGBMClassifier sklearn.metrics.accuracy_score sklearn.metrics.confusion_matrix zipfile nltk.tokenize.word_tokenize nltk.stem.WordNetLemmatizer transformers.pipeline torch sklearn.decomposition.LatentDirichletAllocation collections.Counter squarify sklearn.metrics.roc_curve sklearn.metrics.auc sklearn.metrics.ConfusionMatrixDisplay sklearn.preprocessing.label_binarize pickle
AI实战-学生生活方式模式数据集分析预测实例（含24个源代码+69.54 KB完整的数据集）.zip
01-16
AI实战-学生生活方式模式数据集分析预测实例（含24个源代码+69.54 KB完整的数据集） 代码手工整理，无语法错误，可运行。 包括：24个代码，共149.89 KB；数据大小：1个文件共69.54 KB。 使用到的模块： pandas os matplotlib.pyplot seaborn plotly.express warnings sklearn.model_selection.StratifiedShuffleSplit sklearn.pipeline.Pipeline sklearn.compose.ColumnTransformer sklearn.impute.SimpleImputer sklearn.preprocessing.OrdinalEncoder numpy sklearn.model_selection.cross_val_score sklearn.linear_model.LinearRegression sklearn.metrics.mean_squared_error sklearn.tree.DecisionTreeRegressor sklearn.ensemble.RandomForestRegressor sklearn.model_selection.train_test_split sklearn.preprocessing.PowerTransformer imblearn.pipeline.Pipeline imblearn.over_sampling.SMOTE sklearn.ensemble.AdaBoostClassifier sklearn.metrics.accuracy_score sklearn.metrics.precision_score sklearn.metrics.recall_score sklearn.metrics.f1_score optuna scipy.stats torch torch.nn torchvision.transforms torchvision.models torch.optim cv2 glob glob.glob torch.utils.data.DataLoader torch.utils.data.Dataset random.shuffle torch.utils.data.random_split torchsummary.summary matplotlib.ticker pyspark.sql.SparkSession pyspark.sql.functions.count pyspark.sql.functions.max pyspark.sql.functions.min pyspark.sql.functions.avg pyspark.sql.functions.stddev_samp pyspark.sql.functions.skewness pyspark.sql.functions.kurtosis pyspark.sql.functions pyspark.ml.feature.Tokenizer pyspark.ml.feature.VectorAssembler sklearn.preprocessing.LabelEncoder keras.models.Sequential keras.layers.Dense keras.utils.to_categorical ptitprince statsmodels.distributions.empirical_distribution.ECDF statsmodels.stats.outliers_influence.variance_inflation_factor ppscore sklearn.feature_selection.mutual_info_classif sklearn.decomposition.PCA sklearn.model_selection.StratifiedKFold sklearn.tree.DecisionTreeClassifier sklearn.metrics.balanced_accuracy_score sklearn.metrics.confusion_matrix mlxtend.plotting.plot_confusion_matrix scipy.stats.pearsonr scipy.stats.f_oneway sklearn.feature_selection.mutual_info_regression sklearn.feature_selecti
PHY6230拍照键兼容性问题20250115-090242.7z
01-16
适配文章:奉加微PHY6230兼容性:部分手机不兼容
AI实战-国际象棋游戏学习数据分析预测实例（含20个源代码+7.32 MB完整的数据集）.zip
最新发布
01-16
AI实战-国际象棋游戏学习数据分析预测实例（含20个源代码+7.32 MB完整的数据集） 代码手工整理，无语法错误，可运行。 包括：20个代码，共20.61 KB；数据大小：1个文件共7.32 MB。 使用到的模块： pandas matplotlib.pyplot numpy os sqlite3
AI实战-信用卡申请风险识别数据集分析预测实例（含9个源代码+91.57 KB完整的数据集）.zip
01-16
AI实战-信用卡申请风险识别数据集分析预测实例（含9个源代码+91.57 KB完整的数据集） 代码手工整理，无语法错误，可运行。 包括：9个代码，共44.98 KB；数据大小：1个文件共91.57 KB。 使用到的模块： pandas os matplotlib.pyplot seaborn wordcloud.WordCloud sklearn.model_selection.train_test_split sklearn.preprocessing.LabelEncoder sklearn.ensemble.RandomForestClassifier sklearn.metrics.accuracy_score sklearn.metrics.classification_report sklearn.metrics.confusion_matrix plotly.express plotly.subplots.make_subplots plotly.graph_objects plotly.io sklearn.base.BaseEstimator sklearn.base.TransformerMixin sklearn.preprocessing.StandardScaler sklearn.preprocessing.OrdinalEncoder sklearn.pipeline.make_pipeline sklearn.compose.make_column_transformer imblearn.over_sampling.RandomOverSampler sklearn.svm.SVC sklearn.tree.DecisionTreeClassifier sklearn.ensemble.HistGradientBoostingClassifier sklearn.ensemble.GradientBoostingClassifier sklearn.neighbors.KNeighborsClassifier sklearn.model_selection.GridSearchCV sklearn.ensemble.VotingClassifier torch lightning torchmetrics.Accuracy torch.utils.data.Dataset torch.utils.data.DataLoader numpy warnings matplotlib wordcloud.STOPWORDS collections.Counter sklearn.ensemble.ExtraTreesClassifier sklearn.ensemble.AdaBoostClassifier sklearn.ensemble.BaggingClassifier xgboost.XGBClassifier lightgbm.LGBMClassifier catboost.CatBoostClassifier sklearn.linear_model.LogisticRegression sklearn.model_selection.RandomizedSearchCV sklearn.preprocessing.MinMaxScaler imblearn.over_sampling.SMOTE
AI实战-澳大利亚道路死亡数据库分析预测实例（含1个源代码+12.39 MB完整的数据集）.zip
01-16
AI实战-澳大利亚道路死亡数据库分析预测实例（含1个源代码+12.39 MB完整的数据集） 代码手工整理，无语法错误，可运行。 包括：1个代码，共46.25 KB；数据大小：2个文件共12.39 MB。 使用到的模块： numpy pandas matplotlib.pyplot seaborn datetime.datetime math warnings scipy.stats.zscore IPython.display.HTML
挖掘机检测数据集，准确识别率91.0%，4327张原始图片，支持YOLOv11格式标注
01-16
挖掘机检测数据集，准确识别率91.0%，4327张原始图片，支持YOLO，COCO JSON，PASICAL VOC XML等多种格式标注 标注信息和图片参考博文：https://backend.blog.csdn.net/article/details/145189126
fast-lio与fast-lio2的区别
03-29
Fast-lio和Fast-lio2是两个不同版本的Lidar Odometry（激光雷达里程计）算法。们都是用于从激光雷达数据中估计相机或车辆的运动轨迹的算法。它们的区别主要体现在以下几个方面： 1. 算法原理：Fast-lio和Fast-lio2...
评论
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

他人是一面镜子，保持谦虚的态度

你的鼓励是我最大的动力

¥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