3D激光slam,cartographer的使用,第一视角点云

cartographer的使用

编译安装

cartographer的安装
cartographer的安装在cartographer_ros;有详细的步骤。偶尔出现ceres库clone不了,不过也不是大问题,下载后,粘贴过去也是可以的。
point_cloud_viewer的安装
安装步骤:point_cloud_viewer,显示的部分是基于node.js的web工程。

curl https://sh.rustup.rs -sSf | sh
# in the root of repo
cargo build --release   #这个时候在target/release下有build_octree二进制文件
 complie the web_viewer
cd web_viewer
cd client
# install [nvm](https://github.com/creationix/nvm)
curl -o- https://raw.githubusercontent.com/creationix/nvm/v0.33.2/install.sh | bash
  • 6
    点赞
  • 27
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
激光SLAM(Simultaneous Localization and Mapping)是一种同时定位和建图的技术。在激光SLAM过程中,需要提取激光传感器采集到的大量离散点云数据,并将其聚类,以便进行定位和建图。 点云聚类的目的是将离散的点云数据分组到一起,形成具有一定特征的点云簇。聚类可以通过聚类算法,比如基于距离的聚类算法(如K-means算法)或密度聚类算法(如DBSCAN算法)来实现。 激光SLAM进行点云的聚类有几个原因: 1. 空间数据建模:聚类可以将点云数据划分为具有相似特征的簇,这样可以更好地对环境进行建模。聚类后的点云簇可以表示环境中的不同物体或地面等地物,从而有助于建立地图和进行定位。 2. 特征提取和描述:聚类可以将点云数据分组到一起,并为每个簇提取特征,比如中心点、形状、大小等。这些特征可以用于描述环境中的物体,并支持后续的物体识别和跟踪。通过聚类,可以实现对环境中不同物体的识别和建模。 3. 数据降维和处理:激光传感器获取到的点云数据是非常密集的,包含大量的离散点。对于实时的SLAM应用来说,对这些稠密的点云数据进行处理是非常耗时的。通过点云的聚类,可以将原始数据降维,并提取出关键的点云簇,从而减少计算量,提高激光SLAM的实时性能。 总之,激光SLAM中进行点云聚类的目的是为了实现空间数据建模、特征提取和描述,以及数据降维和处理。聚类后的点云簇可以用于建立地图、识别物体和支持定位过程,从而提高激光SLAM的建图和定位能力。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 7
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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