SLAM
文章平均质量分 92
首飞爱玩机器人
我是首飞,一个会使用AI工具提效的男人。
展开
-
对LOAM算法原理和代码的理解
LOAM在KITTI上的排名一直是前两名。LOAM在KITTI上的排名原始LOAM代码的地址:https://github.com/cuitaixiang/LOAM_NOTED作为教学用的A-LOAM代码地址:https://github.com/HKUST-Aerial-Robotics/A-LOAMLOAM_velodyne学习...原创 2019-12-28 22:44:06 · 13017 阅读 · 5 评论 -
三种建图算法的原理(覆盖栅格建图算法、计数建图算法、TSDF建图算法)
机器人地图的分类尺度地图(Metric Map)机器人领域中常见的尺度地图有栅格地图和点云地图。它的好处是可以用一个唯一的坐标描述一个具体的位置。拓扑地图(Topological Map)拓扑地图用节点表示每一个位置,位置与位置连接的线就是可以通行的路。拓扑地图一般用于大地图,比如国家公路网和城市地图路线图等等。语义地图(Semantic Map)语义地图会用标签来描述地点。如手...原创 2019-12-23 15:03:25 · 7956 阅读 · 1 评论 -
Cartographer的算法执行流程梳理
参考论文:Real-Time Correlative Scan Matching官方资料文档1官方资料文档2scan-to-map matching为什么相对于scan-to-scan matching更能减少误差。1.scan-to-scan matching是基于激光SLAM中最常用来估计相关位姿的。但是非常容易造成累积误差。2.scan-to-map matching 可以减少累...原创 2019-12-15 23:23:02 · 6998 阅读 · 0 评论 -
对Hector-SLAM和NDT的理解
Hector-SLAM高斯牛顿法只能用于最小化平方和问题,但是优点是,不需要计算二阶导数参考网址:《高斯牛顿优化算法–第一讲》原理推导 这篇文章对高斯牛顿的公式有详细推导梯度下降、牛顿法、高斯牛顿法、LM法之间的区别与联系之感性理解关于梯度下降法、牛顿法、高斯-牛顿、LM方法的总结高斯牛顿(Gauss Newton)、列文伯格-马夸尔特(Levenberg-Marquardt)最优化算...原创 2019-12-06 12:10:29 · 1959 阅读 · 1 评论 -
对点云匹配算法ICP、PL-ICP、NICP和IMLS-ICP的理解
参考网址:https://censi.science/software/csm/点云匹配和ICP算法概述机器视觉之 ICP算法和RANSAC算法原创 2019-11-27 15:55:25 · 26981 阅读 · 8 评论 -
移动机器人里程计校准的方法
参考网址:Simultaneous Calibration of Odometry and Sensor Parameters for Mobile Robots论文的源码实现原创 2019-11-03 15:51:20 · 5557 阅读 · 3 评论 -
对gmapping的理解
参考网址:GMapping漫谈GMapping原理分析简单傻x的图解–gmapping原创 2019-10-31 15:10:38 · 3842 阅读 · 0 评论 -
对无迹卡尔曼滤波(UKF)和粒子滤波(PF)的理解
对无迹卡尔曼滤波(UKF)的总结:EKF通过在工作点附近进行一阶泰勒展开来线性化非线性的运动方程和观测方程。这样的线性近似在高度非线性的情况下存在较大误差。而UKF换了一个线性化的思路。1)选取2n+1个点(sigma点),n为状态向量的维度。为每个sigma点分配权重。2)用采样的点计算出下一状态的均值和方差。公式如下所示:μy=∑iWig(Xi)Σy=∑iWi(g(Xi)−μy)(g(Xi...原创 2019-10-24 16:17:24 · 7160 阅读 · 0 评论 -
robot_pose_ekf源码解读
卡尔曼滤波理论下面几个网址对卡尔曼滤波算法有详细的描述:Kalman Filter For DummiesHow a Kalman filter works, in pictures卡尔曼滤波与扩展卡尔曼滤波的重要区别:线性化处理BFL库C++中贝叶斯滤波器包bfl的使用(1)C++中贝叶斯滤波器包bfl的使用(2)C++中贝叶斯滤波器包bfl的使用(3)robot_pos...原创 2019-10-22 22:59:45 · 7578 阅读 · 12 评论 -
AMCL源码解析
AMCL是ros导航中的一个定位功能包。其实现了机器人在2D平面中基于概率方法的定位系统。该方法使用粒子滤波器来针对已知地图跟踪机器人的位姿。MCL与AMCL的区别它们最重要的区别应该是重采用过程。AMCL在采样过程中仍然会随机的增加小数量的粒子。这一步骤正式为了解决MCL不能处理的重定位问题。当粒子逐渐聚集,其它地方的粒子将慢慢消失。对于MCL来说,如果此时将机器人搬动到另一个地方。此时原来...原创 2019-10-12 18:39:20 · 7036 阅读 · 0 评论