二毛的博客

IMX6ULL_MINI_V1.7(Mini底板原理图).pdf 正点原子 Linux开发板原理图 包括：RGB LCD模块电路，SD卡电路，CAMERA电路，CAN总线，以太网口电路，USB OTG等。

2019SLAM综述 摘要：slam是同步定位和建图的缩写，它包含定位和建图两个主要任务。这是移动机器人学中一个重要的开放性问题：要精确地移动，移动机器人必须有一个精确的环境地图；然而，要建立一个精确的地图，移动机器人的感知位置必须精确地知道。

Abstract— In this paper, we develop a low-cost stereo visualinertial localization system, which leverages efficient multistate constraint Kalman filter (MSCKF)-based visual-inertial odometry (VIO) while utilizing an a priori LiDAR map to provide bounded-error 3D navigation. Besides the standard sparse visual feature measurements used in VIO, the global registrations of visual semi-dense clouds to the prior LiDAR map are also exploited in a tightly-coupled MSCKF update, thus correcting accumulated drift. This cross-modality constraint between visual and LiDAR pointclouds is particularly addressed. The proposed approach is validated on both Monte Carlo simulations and real-world experiments, showing that LiDAR map constraints between clouds created through different sensing modalities greatly improve the standard VIO and provide bounded-error performance.

本文提出了一种低成本的立体视觉惯性定位系统，该系统利用有效的基于多状态约束卡尔曼滤波（msckf）的视觉惯性里程计（vio），同时利用先验lidar地图提供有界误差的三维导航。除了VIO中使用的标准稀疏视觉特征测量外，在紧密耦合的MSCKF更新中，还利用视觉半稠密云到先前激光雷达地图的全局注册，从而校正累积漂移。特别讨论了视觉点云和激光雷达点云之间的交叉模态约束。通过蒙特卡洛模拟和实际实验验证了该方法的有效性，结果表明，通过不同的感知方式建立的云之间的lidar地图约束极大地提高了标准vio，并提供了有界误差性能。

本文提出了一种基于模型的通行性分析方法，该方法利用详细的车辆模型在复杂环境中进行实时路径规划。车辆模型表示了车辆的车轮和底盘，使其能够准确预测车辆的3D姿态、每个车轮详细的连接信息以及在高程图上给出2D姿态时是否会发生底盘碰撞。根据车辆的安全要求对这些预测进行加权，以便为类似A *的搜索策略提供评分功能。 本文提出的方法被设计为以30Hz的帧速率处理来自RGB-D传感器的数据，以提供安全路径的反应性规划。 为了评估，两个轮式移动机器人在不同的模拟环境和真实环境设置中进行了测试，以显示所提出方法的可靠性和性能。

结合多传感设备以实现高级的感知能力是自动驾驶汽车导航的关键要求。传感器融合用于获取有关周围环境的丰富信息。摄像头和激光雷达传感器的融合可获取精确的范围信息，该信息可以投影到可视图像数据上。这样可以对场景有一个高层次的认识，可以用来启用基于上下文的算法，例如避免碰撞更好的导航。组合这些传感器时的主要挑战是将数据对齐到一个公共域中。由于照相机的内部校准中的误差，照相机与激光雷达之间的外部校准以及平台运动导致的误差，因此这可能很困难。在本文中，我们研究了为激光雷达传感器提供运动校正所需的算法。由于不可能完全消除由于激光雷达的测量值投影到同一里程计框架中而导致的误差，因此，在融合两个不同的传感器时，必须考虑该投影的不确定性。这项工作提出了一个新的框架，用于预测投影到移动平台图像帧（2D）中的激光雷达测量值（3D）的不确定性。所提出的方法将运动校正的不确定性与外部和内部校准中的误差所导致的不确定性相融合。通过合并投影误差的主要成分，可以更好地表示估计过程的不确定性。我们的运动校正算法和提出的扩展不确定性模型的实验结果通过在电动汽车上收集的真实数据进行了演示，该电动汽车配备了可覆盖180度视野的广角摄像头和16线扫描激光雷达。

软手是将顺应性元素嵌入其机械设计中的机器人系统。这样可以有效地适应物品和环境，并最终提高其抓握性能。如果与经典的刚性手相比，这些手在人性化操作方面具有明显的优势，即易于使用和坚固耐用。但是，由于缺乏合适的控制策略，它们在自主控制方面的潜力仍未得到开发。为了解决这个问题，在这项工作中，我们提出了一种方法，可以从观察人类策略开始，使软手能够自主地抓握物体。通过深度神经网络实现的分类器将要抓取的物体的视觉信息作为输入，并预测人类将执行哪些操作来实现目标。因此，此信息用于从一组人类启发的原语中选择一个，这些原语将软手姿势的演变定义为预期动作和基于触摸的反应性抓握的组合。该体系结构的硬件组件包括用于观察场景的RGB摄像头，7自由度操纵器和柔性手。柔性手在指甲处装有IMU，用于检测与物体的接触。我们使用20个对象对提出的体系结构进行了广泛的测试，在111个抓取过程中，成功率为81.1％。

本文主要研究基于里程计和单目视觉传感器的地面车辆定位与地图构建问题。为了提高地面车辆视觉估计的精度，研究人员利用了近似平面运动的约束，并且通常将其作为SE（3）姿态的随机约束来实现。本文提出了一种在se（2）上直接参数化地面车辆姿态的简单算法。该方法不忽略se（2）运动扰动，而是将其引入一个新的se（2）-xyz约束的综合噪声项中，通过图像特征测量将se（2）姿态和3d地标关联起来。对于里程测量处理，我们还提出了一种有效的se（2）预积分算法。利用这些约束条件，以一种常用的图优化结构，开发了一个完整的视觉里程定位与映射系统。在工业室内环境下的实际实验验证了该方法在精度和鲁棒性方面的优越性。

本文主要研究基于里程计和单目视觉传感器的地面车辆定位与地图构建问题。为了提高地面车辆视觉估计的精度，研究人员利用了近似平面运动的约束，并且通常将其作为SE（3）姿态的随机约束来实现。本文提出了一种在se（2）上直接参数化地面车辆姿态的简单算法。该方法不忽略se（2）运动扰动，而是将其引入一个新的se（2）-xyz约束的综合噪声项中，通过图像特征测量将se（2）姿态和3d地标关联起来。对于里程测量处理，我们还提出了一种有效的se（2）预积分算法。利用这些约束条件，以一种常用的图优化结构，开发了一个完整的视觉里程定位与映射系统。在工业室内环境下的实际实验验证了该方法在精度和鲁棒性方面的优越性。

针对移动机器人使用三维地图进行路径规划的问题，研究了使用三维栅格地图的路径规划算法。该算法将装载三维激光扫描仪的移动机器人得到的三维点云转换成为八叉树结构的三维栅格地图；扩展了 Ｄ＊ 算法使之考虑机器人的尺寸，检测每种位姿状态下是否与环境发生碰撞，生成多条可行路径可以在栅格地图中直接生成机器人的运动轨迹，保证运动过程中机器人自身及物体的安全。实验结果表明：该算法不需要对地图具有先验认识，并且考虑了机器人的实际尺寸，具有较强的可靠性和实用性，已经在真实环境中进行了实验。

本文主要讲了ORB-SLAM，一个基于特征识别的单目slam系统，可以实时运行，适用于各种场合，室内的或者室外的，大场景或小场景。系统具有很强的鲁棒性，可以很好地处理剧烈运动图像、可以有比较大的余地自由处理闭环控制、重定位、甚至全自动位置初始化。基于近年来的优秀算法，我们对系统做了精简，采用了所有SLAM相同功能：追踪，地图构建，重定位和闭环控制。选用了比较适合的策略，地图重构的方法采用云点和关键帧技术，具有很好的鲁棒性，生成了精简的、可追踪的地图，当场景的内容改变时，地图构建可持续工作。我们用最流行的图像数据集测试了27个图像序列。相比最新的单目SLAM，ORB SLAM性能优势明显。我们在