R3LIVE源码解析(6) — R3LIVE流程详解

已于 2024-06-07 18:36:27 修改
阅读量1.9k 收藏 7
点赞数 2
分类专栏： SLAM项目实战 文章标签： R3LIVE 源码解析
于 2023-08-31 22:13:47 首次发布
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/qq_41921826/article/details/131825018
版权
本文详细介绍了R3LIVE框架，包括其组成部分——激光惯性里程计（LIO）和视觉惯性里程计（VIO）。R3LIVE基于FAST-LIO构建地图几何结构，并通过VIO融合视觉数据进行地图纹理渲染。文中还阐述了R3LIVE的launch文件结构和配置文件设置，特别是针对不同雷达类型和相机参数的调整。此外，指出了阅读源码的关键起点是r3live_LiDAR_front_end节点。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

1 R3LIVE框架简介

2 R3LIVE的launch文件

3 R3LIVE的r3live_config文件

4 R3LIVE从哪开始阅读

1 R3LIVE框架简介

R3LIVE是香港大学Mars实验室提出的一种融合imu、相机、激光的SLAM方法，R3LIVE由两个子系统组成，一个激光惯性里程计（LIO）和一个视觉惯性里程计（VIO）。LIO子系统（FAST-LIO）利用来自激光雷达和惯性传感器的测量数据，并且构建地图的几何结构（即3D点位置）。VIO子系统使用视觉惯性传感器的数据，并且渲染地图的纹理（即3D点颜色）。更具体而言，VIO子系统通过最小化帧到地图的光度误差直接且有效地融合视觉数据。本文所提出的系统R3LIVE是基于我们之前的工作R2LIVE开发的，它的VIO架构设计与R2LIVE完全不同。

2 R3LIVE的launch文件

在R3LIVE中我们可以看到有这三个launch文件，r3live_bag.la

了解本专栏 订阅专栏 解锁全文 超级会员免费看
R3LIVE从零开始搭建环境和实物（livox avia + d435）
2301_79360298的博客
10-07 3531
本人以前有过点ros基础刚好最近在学习slam以及vio和lio，在这一个月份以来最起码，初步接触了vio以及slam和lio，并且自己成功的搭建了自己的实物平台，写这篇文章就是希望初次搭建的同学不用再踩一次博主踩过的坑。
R3LIVE环境搭建、编译及运行教程（纯新人小白向）基于Ubuntu20.04
Tohyama的博客
05-18 5245
替导师的实验课程写了一套R3LIVE基于Ubuntu20.04的实验指导书，因为是写给本科生用的，所以写的非常详细和入门，发在这里分享一下，如果有用请记得点赞收藏评论。
R3LIVE 运行并跑自己的数据包（Livox AVIA+单目摄像头）
最新发布
weixin_62781626的博客
12-17 1312
R3LIVE是一个强大、实时、RGB彩色、激光雷达-惯性-视觉紧密耦合的状态估计和建图包。
R3Live跑自制数据集（1）
Solititude的博客
04-29 993
R3Live跑自制数据集，过程中一些问题的记录
R3LIVE源码解析(10) — R3LIVE中r3live_vio.cpp文件
几度春风里的博客
09-14 865
R3LIVE主要的公式推导在VIO上，所以我们来细细的分析这部分的功能。R3LIVE将VIO分成了两步，一是直接通过帧间的光流来追踪地图点，并且通过最小化追踪到的地图点的PNP投影误差来获取系统状态；二是通过这些地图点的出现的帧到地图的光度误差来优化状态。
R3LIVE代码详解（一）
lovely_yoshino的博客
10-17 6417
我们先来看一下代码多少钱一两博主绘制的节点与话题的绘图。我们可以看到在R3LIVE中，node节点还是很清晰的，只有和两个节点。可以看到节点中只用到了雷达的相关信息，即通过FAST-LIO2的激光处理部分，然后发布处理后的点云，平面点和角点信息然后另一部分就是节点，这个节点可以看到输入的信息不仅仅有雷达的信息()，还有IMU(/livox/imu)和视觉的信息()。并在这个节点中完成融合，最终完成R3LIVE的稠密建图。
R3LIVE代码详解（三）
lovely_yoshino的博客
11-21 6825
在上一章中，我们过完了主函数以及LIO的操作，由于这部分代码在FAST-LIO2中已经充分详细的介绍过了，所以说这里在R3LIVE中就不过多介绍了，下面我们来看一下本系列的重点，即VIO部分。
R3LIVE代码详解（二）
lovely_yoshino的博客
10-31 5852
我们在上文中提到R3LIVE主要由两个node节点所依赖的cpp文件组成，我们在上一节中完成了简单介绍，下面我们需要详细的看这个节点。这个节点也是我们R3LIVE的核心。
R3LIVE代码注释
一抹烟霞的博客
03-26 1102
详细代码注释： https://gitee.com/qcl5683/R3LIVE-CommentV
R3LIVE源码解析(8) — R3LIVE中r3live.cpp文件
几度春风里的博客
09-05 688
我们在R3LIVE流程解析中提到R3LIVE主要由两个node节点所依赖的cpp文件组成，我们在上一节中完成了r3live_LiDAR_front_end简单介绍，下面我们需要详细的看这个节点。这个节点也是我们R3LIVE的核心。r3live.cpp文件的主要是进行一系列的初始化，然后创建LIO线程。
R3live适合ARM结构的源码 ubuntu18.04
03-30
“R3live适合ARM结构的源码”意味着R3live可能是基于Ubuntu 18.04进行了定制和优化，以适应ARM处理器的特性。源码通常是程序开发的基础，开发者可以查看、修改和编译这些源代码以适应特定的硬件环境或实现特定的功能...
R3LIVE源码解析(9) — R3LIVE中r3live_lio.cpp文件
几度春风里的博客
09-05 756
在r3live.cpp文件中创建LIO线程后，R3LIVE中的LIO线程本质上整体流程和FAST-LIO2基本一致。
R3LIVE代码详解（四）
lovely_yoshino的博客
11-29 8031
上一节中，我们过完了VIO中的状态预测以及特征点跟踪部分。此时我们已经拿到了光流的特征点信息，而这部分越来越接近我们想要去讲的帧到帧的VIO部分了。这一节，我们将围绕着VIO部分来进行讲解。
源码解析 | R3LIVE：一个健壮、实时的顶尖SLAM框架
CV_Autobot的博客
03-19 1133
作者|stella 编辑|汽车人原文链接：https://zhuanlan.zhihu.com/p/480275319?点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【SLAM】技术交流群整体介绍R3LIVE是香港大学Mars实验室提出的一种融合imu、相机、激光的SLAM方法。系统以imu为核心，利用激光雷达和相机的观测修正系统状态。算法相当于...
R3LIVE源码解析(7) — R3LIVE中LiDAR_front_end.cpp文件
几度春风里的博客
09-02 774
激光点云首先在LiDAR_front_end节点中提取特征点，将处理完的信息通过完成节点的发送出去，与FAST-LIO2相同R3LIVE也只用到了面特征作为ESIKF融合。首先主函数会根据不同的雷达类型运行不同的回调函数接着通过give_feature()提取角点和面点提取面点时，通过plane_judge()面点类型的判断提取过程中，会进行边缘点判断，也就是LOAM论文中的进行异常点剔除最后将提取的角点和面点发布出去。
R3LIVE论文解读及框架调参结果
wanyi999的博客
12-14 1289
R3live论文解读
R3 LIVE：一个强大、实时、RGB彩色、激光雷达-惯性-视觉紧密耦合的状态估计和建图
点云兔子的博客
09-25 4288
我们系统的概述如图2所示，我们提出的框架包含两个子系统：LIO子系统（上部分）和VIO子系统（下部分）。LIO子系统构建了一个全局地图的几何结构，它注册输入的激光雷达扫描，并通过最小化点到平面的残差来估计系统的状态。VIO子系统构建地图的纹理，它使用输入图像为每个点渲染RGB颜色，并通过最小化帧与帧之间的PnP重投影误差和帧与地图的光度误差来更新系统状态。图2：我们提出的系统概述。
R3Live系列学习（五）R3Live源码阅读
weixin_42048023的博客
10-19 2260
编译它的时候可能会报“'ScalarBinaryOpTraits' in namespace 'Eigen' does not names a template type”之类的信息，这可能是由于电脑中存在多个Eigen库，可以在电脑上搜索出可能存在的Eigen库，不出意外的话会有包括ScalarBinaryOpTraits的也有没有包括的，直接在CMakeLists里面强行指定include路径，或者屏蔽没包括的那些Eigen库即可。
R3LIVE：一个实时鲁棒、带有RGB颜色信息的激光雷达-惯性-视觉紧耦合系统（香港大学）
惊鸿一博
02-02 4917
基本情况 出处：R3LIVE: A Robust, Real-time, RGB-colored, LiDAR-Inertial-Visual tightly-coupled state Estimation and mapping package 作者：Jiarong Lin and Fu Zhang（香港大学) 视频：https://www.bilibili.com/video/BV1d341117d6?p=1&share_medium=android&share_plat=a..
fast-livo2复现
11-30
Fast-LiViO2是一个用于视频理解任务的模型，它通常是指"Fast Lightweight Video Object Instance Segmentation"的缩写，这是一种高效且轻量级的目标检测和实例分割算法，特别适用于实时视频分析场景。该模型旨在提供良好的性能同时保持较低的计算资源消耗。 Fast-LiViO2基于EfficientNet等轻量级网络结构，并结合了Mask R-CNN或者其他先进的实例分割技术。它的核心思想是在保证速度的同时，通过优化网络架构和设计，显著提高对视频中物体的识别和分割精度。 要复现Fast-LiViO2，你需要做以下步骤： 1. **获取代码库**：从GitHub或其他开源平台下载其源码，通常作者会提供官方的安装指南和预训练模型。 2. **环境配置**：检查所需的依赖库，如TensorFlow或PyTorch，并进行相应的版本安装。 3. **数据准备**：按照官方文档的要求准备训练集和验证集，通常需要标注好的视频和图像数据。 4. **训练模型**：设置超参数并运行训练过程，可能需要调整学习率、迭代次数等。 5. **评估和测试**：用测试集评估模型性能，如果满意则可以部署到实际应用中。
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

几度春风里

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