Fast-Lio2代码及论文解析2

已于 2024-06-03 10:26:57 修改
阅读量1.1k 收藏 12
点赞数 3
分类专栏： LiDAR-IMU 文章标签： 算法 人工智能 机器学习
于 2024-03-29 21:07:49 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/137151763
版权
该博客详细解析了Fast-Lio2算法，包括系统框架、状态方程、向前传播、反向传播、观测模型和迭代更新等关键步骤。通过IMU数据和LiDAR点云融合，实现运动状态估计和点云畸变校正。文章介绍了如何利用IMU数据预测名义状态，并结合点云观测进行误差状态估计，以提高定位精度。
摘要由CSDN通过智能技术生成

目录

一、系统框架

二、状态方程

三、向前传播

四、反向传播

五、观测模型

 六、迭代更新

一、系统框架

  • 系统输入为IMU测量数据和LiDAR点云数据，分别用作于系统的状态预测与更新阶段；
  • 点云数据频率较低而IMU为高频数据，IMU测量数据到来后，系统状态根据IMU运动微分方程不断向前传播；
  • 由于载体处于运动状态，在一帧点云积累完毕发出后，并非所有点云都是在数据发出时刻采集到的，此时我们可以根据IMU向前传播的计算结果，将所有点云都校正到点云数据发出的时刻；
  • 随后，根据流形卡尔曼滤波（ESKF），将观测模型线性化后得到误差观测方程，计算残差与对应的
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(一)
努力努力努力
03-27 1182
FAST-LIO2代码解析(一)
FAST-LIO2代码解析(二)
努力努力努力
04-12 766
在上文中讲述了激光雷达的数据获取以及特征点提取的操作，这一节我们将围绕着IMU_Processing这一节来进行介绍。在ImuProcess.hpp中，一开始就是完成了对ImuProcess类的申明，里面我们可以看到在imu中最主要的还是角速度和加速度这两项特征，这与视觉SLAM的imu融合非常相似。//判断点的时间是否先后颠倒public:// imu参数输出文件//加速度测量协方差//角速度测量协方差//加速度测量协方差//角速度测量协方差。
FAST-LIO2代码解析(四)
lovely_yoshino的博客
09-04 6431
在讲完前面三节后我们将开始以主函数触发，并分析ESKF和IKD-Tree中对应的算法。其中ESKF作为主要的部分来进行展开介绍。
FAST-LIO2详细解析
最新发布
weixin_41150257的博客
11-16 1109
FAST-LIO2是一种高效、稳健的雷达惯性里程计算法，它通过紧耦合误差状态卡尔曼滤波器实现IMU和激光雷达融合的状态估计。FAST-LIO2的代码结构清晰，包含预处理、IMU处理、特征提取与匹配、卡尔曼滤波和地图更新等关键组件。通过对代码的详细解析，可以深入理解FAST-LIO2的工作原理和实现细节，为进一步优化和扩展提供基础。
FAST-LIO2代码解析
lcyangzhanduo的博客
01-19 3388
本文为FAST-LIO2的代码阅读笔记，记录整体流程及相关处理，便于后续回忆。
从零入门激光SLAM（二十二）——Fast-lio2代码详解（零） 整体代码框架解析
HUASHUDEYANJING的博客
05-30 2337
FASTLIO2-代码整体框架Fast-lio2原理解析见链接注释版代码完整版见本节对代码的整体框架进行解析，将代码与论文中的公式对应。
fast-lio2代码解析
avenger_fang的博客
04-13 3220
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。
对于fast-lio论文和代码的一些个人理解
07-07
FAST-LIO论文和代码理解 FAST-LIO是一种基于LiDAR和IMU的高精度SLAM算法，论文中详细介绍了算法的设计和实现。下面是对FAST-LIO论文和代码的一些个人理解： 1. FAST-LIO的基本概念 FAST-LIO是基于LiDAR和IMU的...
FAST-LIO2代码解析(三)
努力努力努力
04-12 540
在讲述完一，二后IMU和雷达的数据输入算是讲明白了，下面几节我们将结合主程序来介绍本文最关键的迭代卡尔曼滤波器和iKD-Tree的算法。
fast-lio2代码
05-26
fast-lio2代码，做了调整，调用库，生成头文件。
FAST-LIO2源码学习
CCChester的博客
05-05 9537
学习计划 因为fast-lio2的框架将各个线程都放到了一个节点中，因此也就只有一个主函数cpp文件，从工程结构来看更加简约，代码风格更加集中化。 主函数结构 主要梳理清楚各个模块在主函数中的分布，实现的功能以及之间的联系。 各模块函数具体实现 涉及各个模块中数学原理和代码的实现，较为复杂。 尚未理解的地方 主要涉及编程语言的使用技巧、数学原理的实现等没有理解的内容。 可以借鉴的优点 工程上对传感器信息进行处理的操作； 框架布局的构思； 项目文件的分布等。 主函数结构 各个结构所需参数获取 主要是从yaml
从零入门激光SLAM（二十二）——Fast-lio2代码详解（一） IMU预测与点云去除畸变
HUASHUDEYANJING的博客
05-30 2487
Fast-lio2原理解析见链接注释版代码完整版见本代码解析以算法流程的逻辑解析代码，一些简单的函数忽略讲解。
FAST-LIO2代码解析(五)
lovely_yoshino的博客
09-26 4666
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。
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代码学习
hero_heart的博客
05-29 393
学习激光slam系统，包含公式推到，代码阅读，算法，消息等，以及最终能够适配一个激光雷达头，完成独立重建。
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。
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