RTABMap 获得密度更大的结果(denser pose-image correspondence)的方法

最新推荐文章于 2024-04-28 14:25:23 发布
最新推荐文章于 2024-04-28 14:25:23 发布
阅读量256 收藏 2
点赞数
分类专栏： # SLAM # 硬件 文章标签： RTAB SLAM Kinect
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/qazwsxrx/article/details/127229967
版权

问题描述

  • 使用Kinect + RTABMap进行SLAM, 但是RTAB-MAP导出的pose时间上过于稀疏
  • 于是希望能够增加导出的pose在时间上的采样频率

解决

  • 应该能够通过RTAB-MAP的参数设置解决，但试了好几个都不对
  • 最后按照下文描述解决 (https://github.com/introlab/rtabmap_ros/issues/389#issuecomment-615473739)
  • 需要同时修改两个参数

If you want to save all frames processed at the framerate of the odometry, set Rtabmap/DetectionRate to 0. Even doing so, all images will be saved to database but not all in the graph. To get them all in the graph, set RGBD/LinearUpdate to 0. If we don’t move, the graph will still be growing.

结果

  • 可见密度大幅增加
    在这里插入图片描述
R.X. NLOS
关注
专栏目录
【RTAB-Map】
小秋 AI SLAM 入门实战教程
08-13 542
【RTAB-Map】
【AIoT-Robot】3d hand pose
最新发布
liudongdong_jlu
06-04 661
手语是聋哑人士的主要沟通工具，它是利用手部和身体的动作来传达意义。虽然手语帮助它的使用者之间互相沟通，但聋哑人士与一般人的沟通却十分困难，这个沟通障碍是源于大部分人不懂得手语。
ROS实验笔记之——XBOX Kinect2 的使用及基于RTAB-MAP的建图
gwpscut的博客
03-31 1437
最近准备弄一下ORB-SLAM的实验，先写下本博文记录一下Kinect2的配置~ 补充 按照网上的资料安装好驱动如下： ./bin/Protonect 然后安装包 再运行 roscore roslaunch kinect2_bridge kinect2_bridge.launch rosrun kinect2_viewer kinect2_viewer roslaunch kinect2_bridge kinect2_bridge.lau...
Ubuntu 16.04 ORB_SLAM2+ROS+kinect1+AR+rgbd数据集+三维稀疏地图+rtabmap三维稠密地图
huapiaoxiang21的博客
12-29 5459
这些天在学习高博ORB-SLAM2，入手一台kinect1相机，个人建议先理论，后实践。理论从推导公式做起，这里写点实践过程，以及总结遇到的一些问题： 安装过程参考：https://blog.csdn.net/u010128736/article/details/52808650 搭建ORB-SLAM2 ORB-SLAM是15年一个西班牙博士做的，工程效果来看，是目前最好的了。ORB-SL...
RTAB-Map：适用大范围长周期的开源雷达视觉SLAM库
dckwin的博客
05-29 1万+
RTAB-Map：适用大范围长周期的开源雷达视觉SLAM库摘要IntroductionROS上的主流SLAM算法基于雷达的算法GmappingHectorICP-MapperKarto SLAM和CartographerBLAMSegMatchmaplab和VINS-MonoORB-SLAM2和双目PTAMDVO-SLAM RGBiD-SLAMElasticFusionRTAB-Map描述 写在前...
[学习笔记]RTAB-Map学习笔记
大眼的学习之路
07-03 1万+
最近开始实习，做三维稠密建图相关的工作，同组的哥们来的比我早两周，已经在尝试用RTAB-Map稠密建图了，仿真环境下的双目数据集，1280*720的分辨率。具体我做什么还没有定，先跑一遍然后开始看代码好了。 1.安装 安装链接，最好先装好ROS，然后OpenCV，G2O，GTSAM，这几个库最好都用源码装，其中G2O的版本最好用17年那个版本，在clone的时候这样写： $ git clo...
【转】DensePose: Dense Human Pose Estimation In The Wild
lanyuxuan100的博客
07-21 700
转自：https://blog.csdn.net/sunshine_010/article/details/80039493 In this work, we establish dense correspondences between an RGB image and a surface-based representation of the human body, a task we re...
论文研读 —— 9. DensePose From WiFi
老程的技术笔记
02-12 3273
计算机视觉和机器学习技术的进步已经导致RGB摄像头、LiDAR和雷达中2D和3D人体姿势估计的重大发展。然而，图像中的人体姿势估计受到遮挡和照明的不利影响，这在许多关注的场景中是常见的。另一方面，雷达和LiDAR技术需要专门的硬件，价格昂贵，耗能大。此外，在非公共区域放置这些传感器会引发严重的隐私问题。为了解决这些局限，最近的研究已经探索了使用WiFi天线（1D传感器）进行身体分割和关键点身体检测。本文进一步拓展了WiFi信号与计算机视觉中常用的深度学习体系结构的结合，以估计密集的人体姿势对应关系。
LLM--使用Milvus向量数据库必须知道的基本概念
penriver的博客
03-31 312
Milvus 是一款专为大规模向量相似度搜索而设计的开源向量数据库。它旨在高效、快速地处理高维向量数据，并支持实时、近似最近邻（Approximate Nearest Neighbor, ANN）检索，适用于各种涉及向量搜索的应用场景，如图像识别、语音识别、推荐系统、自然语言处理（NLP）等。 本文介绍使用Milvus作为向量数据库时必须知道的基本概念
DeepLab V3: V2基础上去掉了CRF的改进版ASPP
新兴IT民工的专栏
04-28 279
To handle the problem of segmenting objects at multiple scales, we design modules which employ atrous convolution in cascade or in parallel to capture multi-scale context by adopting multiple atrous rates. 各种atrous rate的空洞卷积核进不同方式的链接，比如级联结构，平行结构等，后面会提到。
Single Image Haze Removal Using Dark Channel Prior（使用暗通道先验去除单张图像雾霾）
御坂御坂001的博客
01-02 1764
文章目录Abstract Abstract In this paper, we propose a simple but effective image prior—dark channel prior to remove haze from a single input image. The dark channel prior is a kind of statistics of outdoo...
Machine vision 机器视觉 学习笔记(3) Image Acquisition
Yabooo0的博客
09-13 2449
Image Acquisition图像采集
rtabmap RGB-D相机手持建图
m0_46530321的博客
07-19 3288
RGB-D相机手持建图描述1.RGB and depth sensors2.Mapping mode3.Localization mode 参考：http://wiki.ros.org/rtabmap_ros/Tutorials/HandHeldMapping 描述 本教程展示了如何在映射模式或本地化模式下使用rtabmap_ros与类kinect传感器 1.RGB and depth sensors 兼容OpenNI和OpenNI2的RGB-D传感器将使用openni_launch、openni2_lau
RTAB-Map学习和测试详解
Ian的博客
08-09 1万+
RTAB-Map 详解 我的所有博客都偏项目研究或者实际代码测试使用，算法原理暂时不在这里讨论。 一. 总体阐述 1. 基于图优化的SLAM方法 – rtabmap_ros 2. odometry是一个额外的输入模块 意味着里程计可以使用任意形式和任意类型的数据，与rtabmap想链接。 3. 在传感器同步之后，STM模块将会创建一个节点记忆视觉里程计位姿 STM：（ Sh...
光电倍增管PMT (photomultiplier tube) 原理、结构和特性总结
热门推荐
NLOS的博客
11-26 2万+
在学习单光子计数器的时候涉及到了外光电效应和光电倍增管。 为了对外光电效应和光电倍增管有更深刻的印象，故参考下面的论文写了本文。 王海科,吕云鹏.光电倍增管特性及应用[J].仪器仪表与分析监测,2005(01):1-4. 光电倍增管的理论基础 光电子发射效应(外光电效应):光照在照在光电材料上，材料表面的电子吸收的能量，若电子吸收的能量足够大，电子会克服束缚逸出表面，从而改变光电子材料的导电性，这种现象成为外光电效应。 二次电子发射：二次电子发射是指用电子流或离子流轰击物体表面，使之发射电子..
2020最后一天 || 时间相关单光子计数技术的原理和优点
NLOS的博客
12-31 5905
相关博客： 2020最后一天|| 时间相关单光子计数技术的原理和优点 2020最后一天 || 常用光子计数检测器分类与原理 2020最后一天 || 时间相关单光子计数器(TCSPC)的定时分辨率(Timing Resolution)误差来源 2020最后一天 || 时间相关单光子计数器(TCSPC)的TTTR模式(Time-Tagged-Time-Resolution Mode)简介 参考文献： PicoQuant: 光子计数和定时产品宣传手册 PicoQuant: 时间相干单光子计数技术手.
2020最后一天 || 时间相关单光子计数器(TCSPC)的TTTR模式(Time-Tagged-Time-Resolution Mode)简介
NLOS的博客
12-31 2954
相关博客： 2020最后一天|| 时间相关单光子计数技术的原理和优点 2020最后一天 || 常用光子计数检测器分类与原理 2020最后一天 || 时间相关单光子计数器(TCSPC)的定时分辨率(Timing Resolution)误差来源 2020最后一天 || 时间相关单光子计数器(TCSPC)的TTTR模式(Time-Tagged-Time-Resolution Mode)简介 参考文献： PicoQuant: 光子计数和定时产品宣传手册 PicoQuant: 时间相干单光子计数技术手.
2020最后一天 || 常用光子计数检测器分类与原理
NLOS的博客
12-31 2762
相关博客： 2020最后一天|| 时间相关单光子计数技术的原理和优点 2020最后一天 || 常用光子计数检测器分类与原理 2020最后一天 || 时间相关单光子计数器(TCSPC)的定时分辨率(Timing Resolution)误差来源 2020最后一天 || 时间相关单光子计数器(TCSPC)的TTTR模式(Time-Tagged-Time-Resolution Mode)简介 参考文献： PicoQuant: 光子计数和定时产品宣传手册 PicoQuant: 时间相干单光子计数技术手.
TCSPC光子计数器使用总结
NLOS的博客
01-02 2064
本文记录调试TCSPC时间相关单光子计数器时遇到的坑，以防下次再范： 1. 输入信号常常需要添加额外的衰减+微分器 很多前级设备输出信号为类TTL信号，功率过大，且脉冲不明显，故需要添加衰减-微分器才能输入。否则易烧坏/计数错误； 2. 开机后过二十分钟再正式使用 刚开机时测量可能不准，因此对精确度要求非常高的实验常常需要预热20分钟以保证准确性； 3. offset和bin_resolution的调整 用于存储start-stop time的寄存器常常是有范围的，如仅有12 ...
如何入门DenseTNT
05-13
DenseTNT（Densely Connected Transformer Network）是一种新的深度学习模型，结合了 Transformer 和 DenseNet 的思想。如果想要入门 DenseTNT，建议先了解 Transformer 和 DenseNet 的原理和基本概念。 对于 Transformer，可以先阅读原论文《Attention is All You Need》，了解其基本原理和实现方式。同时，可以尝试使用 PyTorch 或 TensorFlow 等深度学习框架实现 Transformer 模型，通过实践加深理解。 对于 DenseNet，可以先阅读原论文《Densely Connected Convolutional Networks》，了解其基本原理和实现方式。同样地，可以使用深度学习框架实现 DenseNet 模型，加深对其理解。 在了解 Transformer 和 DenseNet 后，可以开始学习 DenseTNT。建议先阅读相关论文，如《DenseTNT: A Non-autoregressive Transformer Made Denser and Faster》等，了解其模型的基本原理和结构。然后，可以使用深度学习框架实现 DenseTNT 模型，加深对其理解和实践能力。 最后，可以尝试在实际应用中使用 DenseTNT，如语言生成、机器翻译等任务，进一步掌握其应用和优化技巧。
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

打赏作者

R.X. NLOS

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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