Fast-lio个人总结

最新推荐文章于 2025-04-09 10:30:55 发布
最新推荐文章于 2025-04-09 10:30:55 发布
阅读量1.6k 收藏 19
点赞数 7
文章标签： 算法
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/lzm89757/article/details/129796975
版权
文章详细阐述了Lidar与IMU数据融合进行定位的过程，包括Lidar数据的降采样和去畸变，IMU的初始化和惯性解算，以及两者的时间状态对齐。通过误差卡尔曼滤波进行优化，构建局部地图并拟合平面，实现精确的动态环境感知。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Lidar第一帧作为基坐标

1、lidar原始数据预处理默认不提取特征，对原始数据间隔式（间隔3个点）降采样提取。

2、imu初始化、惯性解算、误差分析、状态、协方差预测

3、Lidar与imu时间状态对齐

4、Lidar去畸变

5、构建局部地图，提供最近点索引，最小二乘方法拟合平面，构建点面残差

6、误差卡尔曼滤波

一、IMU

IMU初始化：计算加速度、角速度均值，利用均值计算方差。

IMU惯性解算、误差分析：状态、协方差预测

惯性解算：

利用相邻两个时刻的imu数据，采用离散中值法作为运动方程输入的加速

最低0.47元/天 解锁文章
论文笔记 -- Fast-LIO -- ESIKF溯源
～勿据散客～的博客
04-16 2726
目录系统概述连续时间运动模型离散时间运动模型雷达的测量状态估计 系统概述 李代数的加减与我们熟悉的加减运算不一样，为了统一表达，定义了一种新的运算符来统一。 连续时间运动模型 离散时间运动模型 雷达的测量 雷达数据率高（200kHz），难以实时处理每一个点。一般选择固定时间（每20ms）批处理。 状态估计 使用IKF更新 ...
三种最常用的特征检测与匹配算法总结实践！
3D视觉工坊
06-16 991
作者：计算机视觉@一杯红茶|来源：计算机视觉工坊我们都知道特征检测和匹配是计算机视觉领域中的重要任务，它们在许多应用中发挥着关键作用，比如SLAM、SFM、AR、VR等许多算法都需要稳定精确的特征检测和匹配。特征检测算法的意义在于从图像或视频中提取出具有独特性质的特征点，这些特征点可以代表图像中的关键信息。这些特征点通常具有旋转、尺度和光照变化的不变性，使得它们在图像的不同位置和角度下都能够被准确...
FAST_LIO:计算有效且强大的LiDAR惯性里程计（LIO）软件包
03-21
注意：不支持Ubuntu 16.04及更低版本 FAST-LIO 2.0 将于2021年3月底发射。 新的功能： 更快更好 更高的频率； 更多的LiDAR支持（Horizo​​n和Ouster 64）； 支持基于ARM的嵌入式平台。 FAST-LIO FAST-LIO （快速LiDAR惯性里程计）是一种计算效率高且功能强大的LiDAR惯性里程计套件。它使用紧密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，从而在发生退化的快速运动，嘈杂或混乱的环境中实现强大的导航能力。我们的软件包解决了许多关键问题： 快速迭代的卡尔曼滤波器，用于里程计优化； 在最稳定的环境下自动初始化； 并行KD-Tree搜索以减少计算量； 强大的特征提取； 开发者 ：激光贴图和姿势优化； ：特征提取。 要了解更多详细信息，请参阅我们的相关文章：） 我们的相关论文：现在可以在arxiv上获得我
Fast-LIO 超简单版解释
最新发布
zjkyeah的博客
04-09 306
→ 像小哥的“平衡车”，每秒更新 100-500 次位置猜测（但会飘移）。→ 像小哥的“高精度地图”，每 0.1 秒扫描一次周围环境（但速度慢）。• 把新扫描到的环境特征，存到“智能地图”（体素地图）里，下次比对更快。• 小哥踩着平衡车，靠感觉（加速度/角速度）猜自己现在在哪。：在抖动、黑暗、无 GPS 时也能工作（比如无人机钻隧道）。：每秒更新 100+ 次位置（比纯激光快 10 倍）。：猜得越多，误差越大（像蒙眼走路会歪）。（紧耦合），不像其他小哥各干各的。（体素），找路时不用翻全部地图。
【论文阅读】FAST-LIO
shy2333的博客
06-05 943
针对fast-lio的阅读记录
探索未来感知：FAST_LIO - 高速轻量级SLAM解决方案
gitblog_00080的博客
03-23 704
探索未来感知：FAST_LIO - 高速轻量级SLAM解决方案 FAST_LIOA computationally efficient and robust LiDAR-inertial odometry (LIO) package项目地址:https://gitcode.com/gh_mirrors/fa/FAST_LIO 是一个由香港大学MARS团队开发的开源项目，它提供了一种高速、轻量级的...
探索FAST-LIO：高效、稳健的激光雷达-惯性里程计解决方案
gitblog_00672的博客
08-08 985
探索FAST-LIO：高效、稳健的激光雷达-惯性里程计解决方案 FAST_LIOA computationally efficient and robust LiDAR-inertial odometry (LIO) package项目地址:https://gitcode.com/gh_mirrors/fa/FAST_LIO 在自动驾驶和机器人导航领域，精确且实时的定位技术是实现自主移动的关键。...
FAST-LIO,FAST-LIO2与FASTER-LIO
热门推荐
lovely_yoshino的博客
07-18 1万+
0. 简介 继LLOAM后，三维SLAM迎来了蓬勃的发展，最近一只FAST-SLAM为代表的3D-SLAM迎来了蓬勃的发展，FASTER-LIO也可以看到国内知名SLAMer高博的影子，这里我们将来看一下
"个人理解fast-lio论文和代码：基础准备、李群和流形，数据格式解析
本文将介绍对于fast-lio论文和代码的个人理解，包括对其基础准备、基本理论、数据格式等方面的探讨和总结。 首先，在基础准备部分，fast-lio介绍了关于李群和李代数、流形(manifold)以及数据格式的知识。李群和李...
论文速报《BEV-LIO(LC): 提升稀疏点云SLAM精度的新框架》
lovely_yoshino的博客
03-07 6951
随着LiDAR-惯性里程计（LIO）技术的快速发展，结合LiDAR和惯性传感器的SLAM（同时定位与建图）系统在精度和效率上取得了显著进展。然而，稀疏点云的挑战依然存在，尤其是在特征提取和定位精度方面。为了应对这些挑战，本文提出了一种新的LIO框架——BEV-LIO(LC)，该框架通过将LiDAR数据的鸟瞰视图（BEV）表示与几何配准相结合，并通过特征匹配实现鲁棒的回环闭合检测，显著提升了稀疏点云SLAM的性能。
目标跟踪论文代码汇总
如果想成为中心，那么就到中心去吧。
07-21 1347
近年来，分割任意模型（SAM）因其对图像分割性能而迅速获得了广泛的关注。由于其较强的图像分割能力和不同提示的高交互性，我们发现其在视频一致性分割效果较差。因此，在本报告中，我们提出了跟踪任何事物模型（TAM），它可以在视频中实现高性能的交互式跟踪和分割。详细地说，给定一个视频序列，只有很少的人类参与，也就是说，几次点击，人们可以跟踪任何他们感兴趣的东西，并在本体推理中得到令人满意的结果。没有额外的训练，这种交互式设计执行的视频对象跟踪和分割令人印象深刻。
激光SLAM总结——Fast LIO / Fast LIO2 / Faster LIO
weixin_44580210的博客
05-14 1万+
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-LIO】FAST-LIO论文详解
格物致知
09-17 2384
提出 FAST-LIO，一种计算效率高且稳健的 LiDAR-惯性里程计框架，采用紧耦合迭代卡尔曼滤波器。使用前向和后向传播来预测状态并补偿 LiDAR 扫描中的运动。此外证明并实现了一个等效公式，该公式可以大大降低卡尔曼增益计算的复杂度。FASTLIO 在无人机飞行实验中进行了测试，在具有大旋转速度的室内环境和室外环境中具有挑战性。在所有测试中，我们的方法都产生了精确、实时和可靠的导航结果。
Fast-LIO理论学习
weixin_42673393的博客
10-05 1043
Fast-LIO的理论学习记录
FAST-LIO论文阅读
晓晨的博客
05-28 5646
FAST-LIO是港大MaRS实验室在2021年提出的一个紧耦合迭代扩展卡尔曼滤波高计算效率、高鲁棒性的雷达里程计。影响深远，后续又陆续提出了FAST-LIO2以及Faster-LIO等框架。下面，我们简单了解一些论文中的各个模块及其处理流程。
【LVIO-SLAM】Mars 实验室研究：FAST-LIO、FAST-LIO2、MLCC、HBA、Livox Camera Calibration
格物致知
09-23 2494
总体而言，FAST-LIO2在计算效率上（例如，在大型室外环境中实现高达100 Hz的里程计和制图）、鲁棒性（例如，在旋转速度高达1000度/秒的复杂室内环境中可靠的位姿估计）、多功能性（即，适用于多线旋转和固态激光雷达、无人机和手持平台，以及基于Intel和ARM的处理器）方面表现出色，同时仍然实现了比现有方法更高的精度。FAST-LIO2 进一步优化了数据处理流程，简化了特征提取的步骤，使其能够更加稳定地运行在不同种类的LiDAR设备上，尤其适用于低成本的激光雷达设备，在保证实时性的同时提高了精度。
fast_lio 的详细解析
weixin_41150257的博客
11-16 3412
FAST-LIO结合了激光雷达（LiDAR）和惯性测量单元（IMU）的数据，通过紧耦合的迭代扩展卡尔曼滤波器（EKF）实现高精度的位姿估计。该算法在快速运动、噪声或杂乱环境中表现出色，具有计算效率高和鲁棒性强的特点。
Docker 环境下运行 Fast_LIO 进行三维建模的前/后处理设置
Robotics_Notes
09-25 2398
按照测绘行业术语, 我们将建图视作后处理, 先 “外业” 扫图, 再 “内业” 建图.内业建图基于 Docker 上部署的 Fast_LIO (https://github.com/hku-mars/FAST_LIO).建图完成后还需要注意 PCD 点云显示的设置等后处理.这里记录下一些设置以备忘.以上只是一些简单记录.(如有问题, 请指出)
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
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