hzy925的博客

主要介绍EKF SLAM

cartographer采取的是图优化框架，基于google的Ceres构建problem优化，4线程后端优化。1.运动预测部分 catographer利用IMU构建预测模型，ScanMatcher与Odom（可选）构建观测模型，采取UKF进行运动预测。 2.ScanMatcher部分cartographer采取的双搜索方式进行，先用一次real-time correlative scan mat...

cartographer与karto的都是2D激光SLAM算法，而且不是基于概率估计的SLAM框架1. 两者采取的都是图优化框架       采取的优化库不一致， karto采取的是spa(karto_slam)或g2o(nav2d), cartographer采取的是google的ceres构建problem优化。 karto的前端与后端采取的是单线程进行，cartographe

本文简单比较了这几种2D-Slam算法HectorSLAM ，Gmapping， KartoSLAM， CoreSLAM， LagoSLAM。详细参见论文:   An evaluation of 2D SLAM techniques available in robot operating system1. 算法介绍A . HectorSLAM    scan-ma

http://blog.csdn.net/happiness_jia/article/details/52856197一、在安装cartographer前，需要系统满足如下的要求：·        64-bit, modern CPU (e.g. 3rd generation i7)·        16 GB RAM·        Ubuntu 14.04

【原文：http://www.cnblogs.com/yhlx125/p/5234156.html】上一篇：http://www.cnblogs.com/yhlx125/p/4924283.html截图了一些ICP算法进行点云匹配的类图。但是将对应点剔除这块和ICP算法的关系还是没有理解。RANSAC算法可以实现点云剔除，但是ICP算法通过稳健性的算法实现匹配，似乎不进行对

1. 算法介绍A . HectorSLAMscan-matching(Gaussian-Newton equation) + 　传感器的要求高要求: 高更新频率小测量噪声的激光扫描仪. 不需要里程计,使空中无人机与地面小车在不平坦区域运行存在运用的可能性.利用已经获得的地图对激光束点阵进行优化, 估计激光点在地图的表示,和占据网格的概率.其中扫描匹配利用的是高斯

1、视觉SLAM的关键性问题1）特征检测与匹配2）关键帧的选择3）闭环检测（Loop Closing）4) 地图优化2、视觉SLAM主要发展趋势及研究热点1）多传感器融合2）与深度学习结合3、SLAM问题的求解方法1、基于滤波器的方法1）卡尔曼滤波：EKF、UKF，eg:EKF-SLAMUKF对EKF的不确定性有所改善，但同时也增加了计算复杂度2）粒

SLAM 的另一种求解方法是基于图（或网络，Graph）的 SLAM，称之为 Graph SLAM或基于图优化的 SLAM。在 Graph SLAM 中，移动机器人的位姿通过 Graph中的节点（Nodes）表示。由观测或航迹推测得到的位姿之间的约束通过节点之间的边（Edges）进行编码。Graph SLAM 需要考虑两个问题。一是如何通过传感器数据识别约束，即数据关联问题。该问题的解决方法称之为

主要介绍RBPF SLAM

ORB-SLAM是由Raul Mur-Artal，J. M. M. Montiel和Juan D. Tardos于2015年发表在IEEE Transactions on Robotics。项目主页网址为：http://webdiis.unizar.es/~raulmur/orbslam/。   ORB-SLAM是一个基于特征点的实时单目SLAM系统，在大规模的、小规模的、室内室外的环境都可以运...