无人驾驶学习笔记
文章平均质量分 94
ppipp1109
积累,进步
展开
-
无人驾驶学习笔记-LeGO-LOAM 算法源码学习总结
三维slam lego-loam 源码解析 ,特征提取,激光里程计,回环检测。原创 2022-06-05 06:08:28 · 5897 阅读 · 3 评论 -
无人驾驶学习笔记 - A-LOAM 算法代码解析总结
目录1、概述2、scanRegistration.cpp2.1、代码注释2.1.1、主函数2.1.2、removeClosedPointCloud(雷达周边过近点移除)2.1.3laserCloudHandler激光处理回调函数2.2、总结概括3、LaserOdometry.cpp3.1、代码注释3.2、总结概括4、laserMapping.cpp4.1、代码注释4.2、总结概括5、lidarFactor.cpp6、参考连接PS: 在看了lo.原创 2022-05-30 04:38:34 · 7560 阅读 · 4 评论 -
无人驾驶学习笔记 - LOAM 算法论文核心关键点总结
目录1、框架2、特征点提取3、点云去畸变4、帧间匹配特征关联与损失函数计算a 线特征b 面特征5、运动估计6、建图7、姿态融合8、LOAM 优劣势9、参考连接1、框架loam框架核心是两部分,高频率的里程计和低频率的建图。两种算法处理。里程计通过高频率低数量的点云,进行scan-scan匹配,估算出两帧之间的运动关系,输出结果给mapping算法;建图是1hz的频率将去畸变的点云匹配并对齐到地图上,应用的是scan-map的匹配方式。最后将两.原创 2022-05-30 01:58:47 · 3471 阅读 · 0 评论 -
无人驾驶学习笔记-NDT 配准
1. NDT 的算法处理流程前端激光雷达里程计主要分为:点云下采样滤波、点云匹配、位姿估计、关键帧选取等步骤。具体流程为: 第一帧点云数据设置为地图; 提取关键帧点云,拼接成地图,保证稀疏点云数据; 除了全局地图,还需要在当前帧附近形成滑动窗局部地图,减小计算量; 匹配之前需要滤波,对点云稀疏化;可以使用PCL中的voxel_filter基本原理是把三维空间划分未等尺寸的立方体格子,在一个立方体格子内最多只留一个点,这样就起到稀疏作用。 点云匹配对位姿预测值比较敏原创 2022-05-19 15:34:34 · 2973 阅读 · 1 评论