激光SLAM生成并保存pcd点云地图

本文使用kitti数据集,利用a-loam算法建图

第一步,启动a-loam

 roslaunch aloam_velodyne aloam_velodyne_HDL_64.launch 

第二步,播放kitti数据集

rosbag play kitti.bag

第三步,保存点云图

rosrun pcl_ros pointcloud_to_pcd input:=/laser_cloud_map

可以看到,pcd文件大小逐渐变大,最后一个即为全局地图

 

 

 

 

 

 以下为生成局部点云地图

bag包转为pcd格式

运行代码 ros pcl_ros bag_to_pcd {文件名} {topic名} {目标文件夹}

查看topic的方法

rosbag info {包名}

 生成一个PCD的文件夹

查看pcd文件

pcl_viewer [pcd文件名]

  • 0
    点赞
  • 25
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
激光SLAM(Simultaneous Localization and Mapping)是一种同时定位和建图的技术。在激光SLAM过程中,需要提取激光传感器采集到的大量离散点数据,并将其聚类,以便进行定位和建图。 点聚类的目的是将离散的点数据分组到一起,形成具有一定特征的点簇。聚类可以通过聚类算法,比如基于距离的聚类算法(如K-means算法)或密度聚类算法(如DBSCAN算法)来实现。 激光SLAM进行点的聚类有几个原因: 1. 空间数据建模:聚类可以将点数据划分为具有相似特征的簇,这样可以更好地对环境进行建模。聚类后的点簇可以表示环境中的不同物体或地面等地物,从而有助于建立地图和进行定位。 2. 特征提取和描述:聚类可以将点数据分组到一起,并为每个簇提取特征,比如中心点、形状、大小等。这些特征可以用于描述环境中的物体,并支持后续的物体识别和跟踪。通过聚类,可以实现对环境中不同物体的识别和建模。 3. 数据降维和处理:激光传感器获取到的点数据是非常密集的,包含大量的离散点。对于实时的SLAM应用来说,对这些稠密的点数据进行处理是非常耗时的。通过点的聚类,可以将原始数据降维,并提取出关键的点簇,从而减少计算量,提高激光SLAM的实时性能。 总之,激光SLAM中进行点聚类的目的是为了实现空间数据建模、特征提取和描述,以及数据降维和处理。聚类后的点簇可以用于建立地图、识别物体和支持定位过程,从而提高激光SLAM的建图和定位能力。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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

打赏作者

Eric_Downey

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
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