qq_40268190的博客

导致pcl认为vtk中相关的模块应该基于OpenGL2而不是6.3版本基于OpenGL，其他程序在依赖pcl时，就会因为找不到vtkRenderingOpenGL2;vtkRenderingContextOpenGL2报错。虽然6.3的vtk版本不会导致pcl在cmake过程中报错，但由于cmake/pcl_find_vtk.cmake中78和79行。由于实测升级vtk版本会影响ROS等软件的使用，建议采用后一种方法。

GEM: Online Globally Consistent Dense Elevation Mapping for Unstructured Terrain

通过把动态物体运动建模成多项式的形式来优化轨迹。想要从动态物体反过来优化轨迹估计确实是需要物体运动先验的，但是多项式感觉拟合阿克曼结构的车不大靠谱。而且论文实验太单薄了，甚至没看到轨迹估计的效果证明。...

Efficient and Probabilistic Adaptive Voxel Mapping for Accurate Online LiDAR Odometry点云地图虽然易于构建，但是难以表征具有不确定性的观测和特征。不同激光由于分辨率和扫描方式不同，对于环境特征的感知存在较大差距。本文提出来一种自适应体素建图方法，基于不同大小的体素存储环境平面特征的参数和不确定度。本文的主要贡献如下：1、自适应的多尺度体素地图构建方法。2、基于概率的地图表达方法概率平面表达基于激光测量误差和位

流程如何衡量点云匹配结果的准确性是目前尚未解决的问题，本文基于信息熵来评价点云对齐的结果。从正确匹配的点云相较原点云熵保持不变这一假设出发，通过熵的增量来衡量点云配准的精度，待配准点云中未重叠的部分不会被纳入计算。优化采用了一些细节优化来保证最终的效果。由于小矩阵求行列式可能存在扰动，通过增加参数限制了最小的熵。采用了和到传感器距离成正比的降采样尺度。去除了熵最小的一部分点。对于每个环境，可以通过调节超参数的值来优化算法效果。...

位姿跟踪基于图像和激光的位姿跟踪算法，在去除激光点云中的地面后，将点云投影到图像上，提取ORB特征，基于RANSAC判断特征匹配关系。将匹配的特征投影回3维点，使用ICP估计位姿。地图构建基于帧间约束优化进行局部BA构建局部地图，将地图投影到图像上，提取特征，基于词袋模型估计地图特征。在检测到回环后，用新的地图替代旧地图，同时抛弃距离过远的地图。回环检测通过词袋数据库查询和scan2local map匹配来判断回环检测。...

基于多GPU的BA算法，有三个创新点：对于整个BA流程进行了矢量化（Vectorised），使其满足并行化计算的需求。在多个线程之间进行了合理的工作量分配，同时保证了优化结果的最优性。API和主流的优化库g2o和ceres兼容。基于SIMD优化的矢量化BA将BA流程特别是PCG的过程都通过SIMD进行优化。分布式BA基于边的工作分配根据边的数量还将雅可比矩阵分为若干块J=[J1J2…J3]TJ=[J_1 J_2 \dots J_3]^TJ=[J1​J2​…J3​]T，在后续的海森矩阵计算

f(n)=f(n-1)+f(n-3)f(n-1)=f(n-2)+f(n-4)f(n)=f(n-2)+f(n-3)+f(n-4)f(n-1)=f(n-3)+f(n-4)+f(n-5)f(n)-f(n-1)=f(n-2)-f(n-5)1 1 3 4 5 8 12

  固态激光和IMU紧耦合的里程计，主要创新点加速了卡尔曼增益的求解方法。固态激光由于视野较小，更容易收到环境退化的影响。系统描述  状态描述和常规的LIO类似。对于固态激光雷达，本文截取一段时间内获取的点云做一次处理，认为是一次扫描。前向传播和反向传播  前向传播指基于imu观测关系状态估计先验，反向传播指基于后验位姿估计对点云做运动补偿。位姿优化  残差计算和LeGO-LOAM类似，优化了卡尔曼增益的表达，使得需要求逆的矩阵规模不再和输入数据规模相关，显著加快了求解速度。...

文章目录几何特征提取和编码地面检测非地面点分类邻域类别上下文描述子多尺度线性最小ICP多元特征匹配多元变换估计多阶段权重匹配质量估计MULLS前端MULLS后端  提出了一种基于点线面特征的多尺度最小二乘优化方法，并结合基于邻域类别上下文描述子（Neighborhood category context encoding，NCC）和TEASER的后端，建立了鲁棒高精度的激光SLAM系统。几何特征提取和编码地面检测  分组提取高度最低的一部分点，基于这些点，使用RANSAC进行地面拟合。非地面点分类

  为了降低大规模场景下特征关联和非线性优化问题的复杂度，本文提出了一种方法，自适应的提出部分鲁棒特征，同时提升了效率和精度，还基于这种特征选取策略提出了多机器人激光SLAM算法。特征选择算法arg⁡max⁡Sk⊂Fklog[det[Λ(Sk)]]\mathop{\arg\max}_{S_k\subset F_k}log[det[\Lambda(S_k)]] argmaxSk​⊂Fk​​log[det[Λ(Sk​)]]  特征选择算法的目的是尽可能保持信息矩阵谱特征的前提下，从特征中选择一个子集。本文

文章目录非地面点匹配代价地面点匹配代价模型更新实验结果  针对地面点和非地面点采用不同投影方式和法线估计方式的，基于Poing-to-Plane的Scan-to-Model的激光里程计，通过OpenMP和Cuda的并行，获得了非常高fps下的精确结果。非地面点匹配代价  将点投影到Range Map上，然后在Range Map中估计点的邻域，邻域范围由点到激光发射器距离决定。为了保证邻域点基于奇异值的法线估计准确性，如果邻域点距离点太远或者点到估计平面距离太大，点会被认为是外点。基于3D-2D的投影

  为了在最小二乘问题中去除外值，对状态进行更准确的估计值，往往需要手动设置阈值并选择核函数。本文将选择核函数的问题转换为了对参数的估计，再优化过程中根据残差分布自适应选择核函数和阈值。自适应鲁棒核函数  本文使用的自适应核函数如下：ρ(r,α,c)=α−2α(((r/c)2∣α−2∣+1)α/2−1)\rho(r,\alpha,c)=\frac{\alpha-2}{\alpha}((\frac{(r/c)^2}{|\alpha-2|}+1)^{\alpha/2}-1)ρ(r,α,c)=αα−2​((∣

  在后端优化中，引入了线特征和面特征的激光里程计。特征提取和表达  线特征和面特征的提取采用和LOAM相同的光滑度策略。线特征和面特征表示为中心坐标，方向向量/法向量和属于直线和平面的点。采用分块的方法计算平面法向量。Scan-to-Scan匹配  目标函数和LOAM是一样，使用KD-tree做最近邻匹配，迭代优化点到直线和点到平面的距离，但是优化过程不同，使用LM法和李代数来对位姿进行优化。论文里面给出了基于李代数的目标函数求导过程式。Scan-to-Map匹配降采样  为了加快优化速度

  在里程计，回环检测和全局优化模块中都加入了强度信息，略微提升了效果。强度校正  强度公式如下：I=ηρcos(α)R2I=\eta\frac{\rho cos(\alpha)}{R^2}I=ηR2ρcos(α)​  η\etaη为固定参数，ρ\rhoρ为材料反射率，α\alphaα为入射角、通过邻域平面拟合估计反射角，再配合深度就可以恢复出材质的反射率，从而将强度信息用于特征匹配。特征点提取  在类似于LOAM的基于光滑度的特征提取策略中，额外考虑了强度的影响。强度地图构建  在栅格地图

文章目录GICP代码解析pcl::Registration::align和fast_gicp::LsqRegistration::computeTransformationfast_gicp::LsqRegistration::step_lm和fast_gicp::LsqRegistration::is_convergedfast_gicp::FastGICP::calculate_covariancesfast_gicp::FastGICP::linearizefast_gicp::FastGICP::u

文章目录系统流程ICP回环  本文的主要贡献在于提出了一种快速，稳定的ICP算法，以及在回环检测中的高效外点去除方法。系统流程  整体流程和LeGO-LOAM类似，不通的是将关键帧传送到硬盘中来节约内存。ICP  首先使用尺寸为1米的网格对点云进行降采样，然后将网格存入K-D Tree中便于访问。  采用如下方式计算点云配准过程中的方差：C−1=w(C+λI)−1∥(C+λI)−1∥2C^{-1}=\frac{w(C+\lambda I)^{-1}}{\Vert (C+\lambda I)^

文章目录VDB的特征VDB的数据结构直接访问位掩码叶节点中间节点根节点节点的组合方法优化方法  VDB是

  基于符号距离函数的大规模三维重建方法，使用子地图来降低存储和优化的代价。系统假设可以通过实时获得重力方向来降低位姿估计问题的维度。  本文根据固定频率生成子地图，假设子地图内误差较小，从而把全局地图构建转化为子地图的合并。全局位姿优化在子地图位姿之间展开。  针对子地图优化，本文构造了里程计，回环和重叠三种约束。  里程计约束指前端估计得到的位姿。  回环方法指通过词袋等方法构造帧间约束，通过帧在子地图中的位姿构造子地图约束。  重叠方法判断子地图直接按空间上是否存在重叠。本文通过位姿变换之后

文章目录特征提取重要性更新其他细节实验  本文基于特征选择点云中的关键区域，仅使用关键区域来进行位姿跟踪和全局定位，在加快了速度的同时，优化了效果。特征提取  采用和LOAM相似的特征提取策略，采用启发性阈值代替了对光滑度进行排序。  在方形区域中，计算特征分布的协方差矩阵。根据协方差矩阵的特征值计算方形区域的重要性。f=λ1e∑j∈Σeλje∣Pe∣+ηλ1p+λ2p∑j∈Σpλjp∣Pp∣f=\frac{\lambda_{1}^{e}}{\sum_{j \in \Sigma^{e}} \la