<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Studying……]]></title><description><![CDATA[Studying……]]></description><link>https://blog.csdn.net/kobesdu</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; kobesdu]]></copyright><item><title><![CDATA[流形上的优化：SO(3)与SE(3)的广义加减法在FAST-LIO中如何简化状态估计]]></title><link>https://blog.csdn.net/kobesdu/article/details/163394677</link><guid>https://blog.csdn.net/kobesdu/article/details/163394677</guid><author>kobesdu</author><pubDate>Sat, 01 Aug 2026 15:04:57 +0800</pubDate><description><![CDATA[FAST-LIO激光惯性里程计系统通过定义广义加减法（⊞和⊟）解决了状态估计中旋转和平移运算类型不一致的问题。该系统将SO(3)流形上的旋转操作通过李代数映射到切空间进行线性运算，实现了流形非线性问题向线性空间的转化。具体实现中，旋转部分采用指数/对数映射处理扰动，平移部分直接使用向量加法。这种基于流形的状态估计方法既保持了旋转矩阵的运算封闭性，又利用了切空间的线性特性，使卡尔曼滤波得以有效应用。FAST-LIO2通过IKFoM工具箱实现了这套流形运算体系，为激光-IMU紧耦合提供了数学基础。]]></description><category></category></item><item><title><![CDATA[从零推导FAST-LIO的观测雅可比矩阵]]></title><link>https://blog.csdn.net/kobesdu/article/details/163394662</link><guid>https://blog.csdn.net/kobesdu/article/details/163394662</guid><author>kobesdu</author><pubDate>Sat, 01 Aug 2026 15:04:00 +0800</pubDate><description><![CDATA[本文详细推导了FAST-LIO算法中误差状态迭代卡尔曼滤波(ESIKF)的观测雅可比矩阵H。从点到平面的残差定义出发，通过链式法则分解，利用右扰动模型求得旋转部分导数，最终得到H的闭式表达式：H=[-nᵀ·R_GI·(t)^∧, nᵀ, 0₁×₁₂]，其中t=R_IL·p_L+T_IL。该推导揭示了代码中observe函数实现的关键数学原理，为理解FAST-LIO的状态估计流程提供了理论基础。推导结果与源码实现完全吻合，是掌握激光雷达惯性里程计滤波更新的核心环节。]]></description><category></category></item><item><title><![CDATA[固态激光雷达下的定位方案：FAST-LIO2如何在不提取特征的情况下实现稳定建图]]></title><link>https://blog.csdn.net/kobesdu/article/details/163394654</link><guid>https://blog.csdn.net/kobesdu/article/details/163394654</guid><author>kobesdu</author><pubDate>Sat, 01 Aug 2026 15:03:09 +0800</pubDate><description><![CDATA[摘要：固态激光雷达在机器人应用中面临视场角小、点云特征提取困难等挑战。FAST-LIO2创新性地采用直接法思路，绕过传统特征提取步骤，将原始点云直接配准到全局地图，通过ikd-Tree实现高效的增量式点云处理。该方法支持多种雷达类型，在高速运动和窄视场角场景下仍能保持稳定性能，实验显示漂移率低于0.3%。开源代码和ikd-Tree工具为实际应用提供了便利。]]></description><category></category></item><item><title><![CDATA[FAST-LIO数据集的录制规范与质量验证方法]]></title><link>https://blog.csdn.net/kobesdu/article/details/163328795</link><guid>https://blog.csdn.net/kobesdu/article/details/163328795</guid><author>kobesdu</author><pubDate>Thu, 30 Jul 2026 10:57:37 +0800</pubDate><description><![CDATA[本文详细介绍了如何为FAST-LIO算法录制高质量数据集的关键要点：1）确保激光雷达（支持PointCloud2或Livox CustomMsg格式）和IMU（≥100Hz）话题配置正确；2）强调时间戳同步的重要性，推荐硬件同步或统一使用ROS系统时钟；3）提供话题重映射的三种解决方案；4）制定标准录制流程并给出数据质量验证方法，包括时间连续性检查、静止段分析和运动补偿效果评估；5）针对常见问题如IMU频率不足、消息类型不匹配等给出解决方案。通过遵循这些实践指南，可有效避免因数据问题导致的建图漂移或状态估计]]></description><category></category></item><item><title><![CDATA[【ROS2实战笔记-25】日志系统的隐藏功能：从结构化日志到分布式追踪]]></title><link>https://blog.csdn.net/kobesdu/article/details/163328767</link><guid>https://blog.csdn.net/kobesdu/article/details/163328767</guid><author>kobesdu</author><pubDate>Thu, 30 Jul 2026 10:56:50 +0800</pubDate><description><![CDATA[本文介绍了ROS2系统中两个隐藏的调试利器：结构化日志和分布式追踪。通过设置RCUTILS_CONSOLE_OUTPUT_FORMAT环境变量，可将日志输出为JSON格式，便于集成到ELK/Loki等日志系统进行分析。分布式追踪功能则需从源码编译ROS2并开启TRACETOOLS_ENABLED选项，使用ros2trace命令采集数据后，可导入Jaeger等工具可视化消息传递路径及性能瓶颈。文章建议开发阶段使用追踪功能定位延迟问题，生产环境通过结构化日志记录关键事件，二者结合可显著提升ROS2系统的可观测性]]></description><category></category></item><item><title><![CDATA[AI名词轰炸你晕了？一张“三层楼”图，分清框架、架构、模型]]></title><link>https://blog.csdn.net/kobesdu/article/details/163328720</link><guid>https://blog.csdn.net/kobesdu/article/details/163328720</guid><author>kobesdu</author><pubDate>Thu, 30 Jul 2026 10:55:45 +0800</pubDate><description><![CDATA[本文通过“三层楼”结构图清晰划分AI核心概念：底层是开发框架（如TensorFlow、PyTorch），提供基础计算工具；中层是模型架构（如Transformer、CNN），作为神经网络设计蓝图；顶层是具体模型（如GPT、YOLO），可直接应用的成品。文章纠正了常见误区（如混淆工具与模型），强调不同层级各司其职——框架是“机床”，架构是“图纸”，模型才是“产品”，并举例说明文本生成（GPT）与图像检测（YOLO）属于不同赛道无法直接比较。全文以烹饪类比（锅灶→菜谱→菜品），帮助读者建立系统认知框架。]]></description><category></category></item><item><title><![CDATA[激光雷达运动畸变是怎么来的，FAST-LIO又如何用IMU反向传播消除它？]]></title><link>https://blog.csdn.net/kobesdu/article/details/163295860</link><guid>https://blog.csdn.net/kobesdu/article/details/163295860</guid><author>kobesdu</author><pubDate>Wed, 29 Jul 2026 10:29:28 +0800</pubDate><description><![CDATA[摘要：FAST-LIO针对激光雷达扫描期间载体运动导致的点云畸变问题，提出前向传播与反向传播两阶段补偿策略。前向传播通过IMU数据记录扫描期间所有时刻的运动状态，形成完整轨迹；反向传播则基于精度最高的终点状态逆向推算各点采集时刻的坐标系变换，将点云统一补偿至基准坐标系。该方法通过旋转平移变换公式显著改善高速运动下的点云畸变，为后续匹配优化提供准确数据基础。学习路径建议结合数学基础、代码解析和实验对比深入理解这一关键技术。]]></description><category></category></item><item><title><![CDATA[FAST - LIO 系列性能发展：ES - IEKF 与 iVox 的更迭探索]]></title><link>https://blog.csdn.net/kobesdu/article/details/163295797</link><guid>https://blog.csdn.net/kobesdu/article/details/163295797</guid><author>kobesdu</author><pubDate>Wed, 29 Jul 2026 10:28:37 +0800</pubDate><description><![CDATA[摘要： FAST-LIO系列算法展现了激光-惯性里程计从&quot;精度优先&quot;到&quot;效率与精度并重&quot;的技术演进路径。FAST-LIO首创流形IEKF框架与反向传播运动补偿，奠定理论基石；FAST-LIO2通过ikd-Tree实现原始点云直配，解决动态更新瓶颈；Faster-LIO创新性采用iVox哈希体素结构，将处理速度提升至1000Hz量级。三代算法的迭代揭示：当滤波理论成熟后，数据结构创新成为性能突破关键，从精确k-NN查询到近似体素搜索的范式转变，体现了对问题本质的深刻认知]]></description><category></category></item><item><title><![CDATA[FAST-LIO代码阅读：S-FAST_LIO的模块划分与关键函数解读]]></title><link>https://blog.csdn.net/kobesdu/article/details/163295731</link><guid>https://blog.csdn.net/kobesdu/article/details/163295731</guid><author>kobesdu</author><pubDate>Wed, 29 Jul 2026 10:27:44 +0800</pubDate><description><![CDATA[本文解析了S-FAST_LIO这一简化版激光雷达惯性里程计方案的代码结构与实现。系统分为四大核心模块：总控模块laserMapping.cpp负责数据同步与调度；IMU_Processing.cpp实现运动补偿；preprocess.cpp处理点云格式转换；esekfom.hpp实现流形卡尔曼滤波。重点分析了状态估计中的predict函数（IMU状态预测）和update_iterated函数（激光观测迭代更新）的实现逻辑，介绍了ikd-Tree的最近邻搜索机制。文章还提供了调试技巧和学习路径建议，帮助开发者]]></description><category></category></item><item><title><![CDATA[FAST-LIO中IMU误差模型与噪声参数调优]]></title><link>https://blog.csdn.net/kobesdu/article/details/163274113</link><guid>https://blog.csdn.net/kobesdu/article/details/163274113</guid><author>kobesdu</author><pubDate>Tue, 28 Jul 2026 14:40:53 +0800</pubDate><description><![CDATA[本文详细解析了FAST-LIO中IMU噪声参数的配置方法。这些参数包括陀螺仪/加速度计的白噪声（gyr_noise/acc_noise）和零偏随机游走（bias_gyr_noise/bias_acc_noise），直接影响滤波器的定位性能。文章首先回顾IMU测量模型，说明各参数的物理意义和单位；然后提供从数据手册估算参数的方法，并给出不同级别IMU的经验值；最后分析参数设置不当的影响，并介绍基于静止数据的实用标定方法。正确设置这些噪声参数是保证FAST-LIO稳定运行的关键步骤。]]></description><category></category></item><item><title><![CDATA[FAST-LIO的IMU初始化：静止2秒背后的数学原理与代码实现]]></title><link>https://blog.csdn.net/kobesdu/article/details/163274089</link><guid>https://blog.csdn.net/kobesdu/article/details/163274089</guid><author>kobesdu</author><pubDate>Tue, 28 Jul 2026 14:39:59 +0800</pubDate><description><![CDATA[FAST-LIO系列算法启动时要求设备静止2秒进行初始化，这一步骤至关重要。静止状态下收集的IMU数据用于估算重力方向、陀螺仪零偏和加速度计零偏，这些参数直接影响后续状态估计的精度。数学原理上，通过分析静止时的IMU测量模型，采用均值计算和优化方法求解关键参数。代码实现中会累积200帧以上数据计算统计量，并建立初始坐标系。若初始化不准确会导致建图倾斜、轨迹漂移等问题。建议实践中确保设备完全静止、观察系统提示，必要时可延长初始化时间。对于移动平台等特殊情况，需采用其他传感器辅助初始化方法。]]></description><category></category></item><item><title><![CDATA[解析 LIO-SAM 因子图架构：逐帧递推与全局优化在激光 SLAM 中的应用]]></title><link>https://blog.csdn.net/kobesdu/article/details/163274024</link><guid>https://blog.csdn.net/kobesdu/article/details/163274024</guid><author>kobesdu</author><pubDate>Tue, 28 Jul 2026 14:37:53 +0800</pubDate><description><![CDATA[本文系统分析了激光SLAM从LOAM到LIO-SAM再到LVI-SAM的技术演进。LOAM虽然通过解耦策略实现实时建图，但存在全局优化不足、累积漂移等问题。LIO-SAM引入因子图架构，通过IMU预积分、滑动窗口优化和边缘化技术，实现了多源传感器的紧耦合与全局优化。LVI-SAM进一步扩展该框架，将视觉与激光融合，验证了因子图架构的可扩展性。这一演进体现了从&quot;链式递推&quot;到&quot;网状优化&quot;的范式转变，为复杂环境下的多传感器融合SLAM提供了有效解决方案。]]></description><category></category></item><item><title><![CDATA[【ROS2实战笔记-24】ROS2 Launch 实用技巧：条件逻辑与节点动态生成]]></title><link>https://blog.csdn.net/kobesdu/article/details/161693402</link><guid>https://blog.csdn.net/kobesdu/article/details/161693402</guid><author>kobesdu</author><pubDate>Thu, 04 Jun 2026 17:24:56 +0800</pubDate><description><![CDATA[可移植路径建议始终使用，避免硬编码。例如：这能确保路径在源码空间和安装空间都能正确解析。自定义 Action适用于突破内置功能的场景，如 SSH 远程启动、等待 TCP 服务等。继承Action类并实现execute方法即可。社区中也有现成的SshMachine可供使用。ROS2 的 Python launch 系统是一个被低估的流程编排引擎。通过与条件、事件回调、动态生成、命名空间隔离等手段，你可以写出可维护、可扩展、可自愈的智能启动脚本。逻辑尽量参数化，路径尽量可移植。]]></description><category></category></item><item><title><![CDATA[FAST-LIO2的在线外参标定：为何不需要精确手工测量]]></title><link>https://blog.csdn.net/kobesdu/article/details/161693369</link><guid>https://blog.csdn.net/kobesdu/article/details/161693369</guid><author>kobesdu</author><pubDate>Thu, 04 Jun 2026 17:23:39 +0800</pubDate><description><![CDATA[FAST-LIO2创新性地将激光雷达-IMU外参标定集成到状态估计中，实现了在线实时优化。该系统只需用户提供毫米级平移和粗略旋转的初始值，即可通过日常运动数据自动收敛到精确外参，显著降低了部署门槛。文章详细分析了在线标定的工作原理，对比了与传统离线方法的优劣，并提供了实用配置指南：包括初始值设定、运动激励要求、时间同步处理等注意事项。该功能特别适合快速部署和平台移植场景，但作者建议外参收敛后关闭在线优化以节省资源。研究显示旋转外参的精度对系统性能影响更为关键，而平移参数容错性较强。这一设计使FAST-LIO]]></description><category></category></item><item><title><![CDATA[安全雷达全解析：选型、应用与未来趋势]]></title><link>https://blog.csdn.net/kobesdu/article/details/161647773</link><guid>https://blog.csdn.net/kobesdu/article/details/161647773</guid><author>kobesdu</author><pubDate>Wed, 03 Jun 2026 10:50:12 +0800</pubDate><description><![CDATA[本文系统介绍了AGV/AMR安全雷达的选型与应用。选型需重点考虑安全等级、保护距离、环境适应性、接口匹配和成本效益5个要素；应用环节涵盖安装位置优化、区域配置、控制器集成及故障排查；未来趋势包括3D探测、FMCW高精度技术和AI智能防护。文章为行业新人提供了从基础选型到前沿技术的完整知识框架，助力提升自动化设备的安全运行水平。]]></description><category></category></item><item><title><![CDATA[安全雷达性能及参数选型对比]]></title><link>https://blog.csdn.net/kobesdu/article/details/161647730</link><guid>https://blog.csdn.net/kobesdu/article/details/161647730</guid><author>kobesdu</author><pubDate>Wed, 03 Jun 2026 10:49:17 +0800</pubDate><description><![CDATA[本文系统梳理了安全激光雷达领域的主流品牌及选型策略。进口品牌（SICK、Leuze、Omron、Keyence）技术成熟、认证齐全，适用于高端工业场景；国产品牌（科力光电、万集光电、骑鲸瞰海、锐驰智光）已通过TÜV等国际认证，性价比优势突出。选型应遵循五步法：1）确定安全等级（SIL2/PLd为高风险场景基准）；2）根据环境选择技术类型；3）验证核心参数（距离、速度、防护）；4）匹配工业总线接口；5）综合评估全周期成本。当前国产安全雷达已实现关键技术突破，为工业自动化提供了更具成本效益的解决方案。]]></description><category></category></item><item><title><![CDATA[ikd-Tree：FAST-LIO2中的增量式地图管理结构]]></title><link>https://blog.csdn.net/kobesdu/article/details/161647701</link><guid>https://blog.csdn.net/kobesdu/article/details/161647701</guid><author>kobesdu</author><pubDate>Wed, 03 Jun 2026 10:48:30 +0800</pubDate><description><![CDATA[在激光雷达惯性里程计（LiDAR-Inertial Odometry）系统中，地图管理一直是一个棘手的问题。激光雷达以每秒数十万点的速度输出数据，系统需要将这些点组织起来，以便快速查找每个点在地图中的最近邻点，用于计算残差并更新状态估计。传统方案是用静态kd-tree：构建一次，查询多次，效果不错。但SLAM是一个持续更新的过程，机器人不断运动，新点需要插入，旧点需要移除。如果每次更新都重建整棵树，随着地图规模的增长，计算开销会变得难以承受。]]></description><category></category></item><item><title><![CDATA[FAST-LIO 技术解析：原理、改进与开源实现]]></title><link>https://blog.csdn.net/kobesdu/article/details/161427978</link><guid>https://blog.csdn.net/kobesdu/article/details/161427978</guid><author>kobesdu</author><pubDate>Tue, 26 May 2026 17:31:19 +0800</pubDate><description><![CDATA[FAST-LIO 系列通过 IEKF 紧耦合框架、反向传播运动补偿、新卡尔曼增益公式以及 ikd‑Tree 数据结构，在保证精度的同时实现了极高的计算效率。它开源、文档齐全，是学习多传感器融合状态估计的优秀范例。无论是想要在实际机器人平台上部署 LIO，还是深入研究滤波算法与数据结构，FAST-LIO 都值得投入时间。]]></description><category></category></item><item><title><![CDATA[AI导航与语义SLAM的技术进展与应用实例]]></title><link>https://blog.csdn.net/kobesdu/article/details/161427902</link><guid>https://blog.csdn.net/kobesdu/article/details/161427902</guid><author>kobesdu</author><pubDate>Tue, 26 May 2026 17:28:44 +0800</pubDate><description><![CDATA[AI技术正推动SLAM系统从传统定位向语义理解升级。大语言模型与导航栈的融合（如Nav2MCPServer、GhostPilot）实现了自然语言交互导航，语义SLAM（如DOPESLAM、Hier-SLAM）则赋予环境物体级感知能力。京东物流、电力巡检等落地案例验证了技术实用性，但实时性、边缘计算等挑战仍需突破。当前发展呈现三大趋势：LLM增强的语义理解、动态场景适应能力提升，以及多模态数据融合优化，标志着机器人导航进入&quot;看懂环境+听懂指令&quot;的新阶段。]]></description><category></category></item><item><title><![CDATA[安全雷达性能及参数选型对比]]></title><link>https://blog.csdn.net/kobesdu/article/details/161304090</link><guid>https://blog.csdn.net/kobesdu/article/details/161304090</guid><author>kobesdu</author><pubDate>Fri, 22 May 2026 09:27:57 +0800</pubDate><description><![CDATA[安全激光雷达正成为工业自动化和移动机器人领域的安全标配。市场分为进口与国产两大阵营：进口品牌如SICK、Leuze技术成熟，适用于高端场景；国产品牌如科力光电、万集光电已通过TÜV认证，性价比突出。选型需遵循五步法：1）确定安全等级（SIL2/PLd为高风险基准）；2）按环境选择技术（激光或毫米波）；3）验证核心参数（距离、响应速度等）；4）匹配接口协议；5）综合评估全周期成本。进口品牌适合严苛环境，国产则在高性价比场景更具优势，选型需优先确保安全认证达标。]]></description><category></category></item></channel></rss>