Cartographer——多传感器融合及点云运动畸变去除

1.传感器数据传入算法的过程

  图中虚线框内重载了对激光雷达、IMU、里程计数据的添加操作。各传感器数据结构请参考cartographer_ros,剥离ROS前对这层外壳有深刻的理解,如需讲解请留言。

2.真正开始处理传感器数据

  如图,AddSensorData处,重载了对三类set集合的传感器数据(雷达、IMU、里程计)的处理。上图为Imu和里程计数据的处理,下面着重介绍雷达数据的处理过程。

3.算法处理雷达数据的过程

  很显然,2DSLAM的重点就在mapping/internal/local_trajectory_builder_2d.cc这个文件。含多雷达的点云融合、点云运动畸变去除,hit和miss点集的累积和更新,correlative_scan_match,scan_match等等。如上图,以AddRangeData函数为入口逐个介绍:

 

Cartographer是一种开源的实时SLAM(Simultaneous Localization and Mapping)系统,用于构建室内或室外环境的地图。它通过融合多种传感器数据来实现高精度的定位和地图构建。 Cartographer的传感器融合原理主要包括以下几个方面: 1. 激光雷达数据融合:Cartographer主要使用激光雷达传感器来获取环境的三维点云数据。它通过对激光雷达数据进行滤波、去噪和配准等处理,将多个时间步的点云数据进行匹配和融合,从而得到一个连续的地图。 2. IMU数据融合:Cartographer还利用惯性测量单元(IMU)传感器来获取机器人的加速度和角速度等信息。通过将IMU数据与激光雷达数据进行时间同步,并结合运动模型,可以更准确地估计机器人的运动轨迹。 3. 视觉传感器数据融合:除了激光雷达和IMU,Cartographer还支持使用视觉传感器(如摄像头)来获取环境信息。通过将视觉数据与激光雷达数据进行联合优化,可以提高地图的精度和鲁棒性。 4. 闭环检测:Cartographer通过检测机器人经过相同区域的特征点,来判断是否出现了闭环。当检测到闭环时,Cartographer会对地图进行优化,以减小误差并提高地图的一致性。 5. 优化算法Cartographer使用图优化算法来对地图进行优化,以最小化传感器测量和运动模型之间的误差。通过迭代优化,可以得到更准确的地图和机器人位姿估计。
评论 13
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