MATLAB算法实战应用案例精讲-【图像处理】SLAM技术详解

目录

前言

几个高频面试题目

SLAM和路径规划对比

算法原理

SLAM组成

常用的SLAM传感器

常用的两种地图类型

SLAM算法实现4要素

主流SLAM算法

2D激光SLAM算法

1. Gmapping

2. Hector slam

3. KartoSLAM

4. LagoSLAM

5. CoreSLAM

3D激光SLAM算法对比

测试的SLAM方案

实验

1. museum_out

2. museum_in

3. outdoor3

4. outdoor4

5. aggressive

总结

存在的问题及困难

应用案例

SLAM基础环境配置

1.网络连接及软件源

2.基础开发环境确认与搭建

3.测试

3D激光SLAM-点云特征提取

本项目所用的特征提取方法说明

特征提取理论与代码编写

确定激光点所在的扫描线并建立点的索引

计算每个点的曲率

根据曲率来筛选特征点

分别将平面点和角点放在两个点云数据结构里

测试

应用场景

---

前言

SLAM(Simultaneous Localization and Mapping)同步定位与地图构建,一种同时实现设备自身定位和环境地图构建的技术。

原理是使用相机、激光雷达、惯性测量单元等传感器，来收集环境信息，然后用算法将这些信息融合起来，以确定设备在未知环境中的位置，并构建一张环境地图。

通俗解释为：

1. 用眼睛观察周围地标如建筑、大树、花坛等，并记住他们的特征（特征提取）

2. 在自己的脑海中，根据双目获得的信息，把特征地标在三维地图中重建出来（三维重建）

3. 当自己在行走时，不断获取新的特征地标，并且校正自己头脑中的地图模型（bundle adjustment or EKF）

4. 根据自己前一段时间行走获得的特征地标，确定自己的位置（trajectory）

5. 当无意中走了很长一段路的时候，和脑海中的以往地标进行匹配，看一看是否走回了原路（