LOAM详解（四）补充

最新推荐文章于 2024-11-03 13:51:35 发布
最新推荐文章于 2024-11-03 13:51:35 发布
阅读量196 收藏 1
点赞数
分类专栏： 激光SLAM学习笔记 文章标签： 自动驾驶 经验分享
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/shy2333/article/details/131827109
版权
文章探讨了LOAM（LidarOdometryandMapping）算法中提高整体实时性的方法，包括Mapping线程的优化处理和Odom与Map部分对线面特征的不同提取策略。Map部分使用更多点来拟合线和面以提升效率。同时，介绍了在特征匹配时采用的距离权重函数以及如何处理退化问题，确保非线性优化的解不退化。
摘要由CSDN通过智能技术生成

补充问题

A. LOAM中提高整体实时性的方法

  1. 为了保证LOAM算法整体的实时性，Mapping线程每次只处理cornerLastBuf.front()及其他与之时间同步的消息
    （持续更新）

B. Odom和Map部分使用不同方法获取线和面的原因

  1. Map部分提取的特征点是Odom的十倍，
    Odom中寻找线的方法是KDtree找到最近的点，并在该点的相邻线上再找一个点，用这两个点构成线。
    Map是用最近的五个点拟合成线。
    面同理，其目的是为了提高Map部分的实时性吗？
  2. map中失去了线束信息

C. LOAM优化的核函数设定

进行特征匹配时，计算点到线面距离时，利用距离构建权重（距离越大，权重越小，如点到线的权重设置为： s = 1 − 1.8 ∗ d s=1-1.8*d s=1−1.8∗d），然后利用权重分别校正点到线面向量在 x 、 y 、 z x、y、z x、y、z轴上的分量。

D. 退化问题分析点到线面

LOAM SLAM原理之防止非线性优化解退化
优化解=原始解在非退化方向投影+估计值在退化方向投影（实际算法中可以将退化方向解丢弃，只考虑非退化方向）
在这里插入图片描述

在这里插入图片描述

shy2333
关注
专栏目录
MATLAB算法实战应用案例精讲-【图像处理】SLAM技术详解
qq_36130719的博客
10-09 1436
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。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）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）
点云从入门到精通技术详解100篇-雨雾环境下多传感器融合 SLAM 方法
getusushu的博客
12-05 2057
通过滑动窗口的方法，在相邻多个位姿之间建立位姿约束，能够克服较为剧烈的运动场景，仅使用单帧激光点云来获得特征点的深度，虽然摆脱了对运动估计的依赖，但是精度较低。取特征点，在系统的状态量中引入了尺度因子，使其能够在大范围场景下稳定运行，并能。理多个不同传感器及其延迟，获得更加精确的测量估计，同时能够自动校准，在系统运行。的位姿变化初值，提高了定位精度。获得了更高的精度，其回环检测模块能够以最小代价实现重定位，具有更好的鲁棒性。用了基于优化的最大后验估计，在精度上相比前两代有极大的提升，同时实现了极佳的鲁。
室外3D建图定位（三）Lego-Loam的深入调试篇
qq_34672671的博客
01-11 3017
这篇博客主要是一些调试中踩的坑及验证过的东西，防止大家重复进行。 1.GTSAM使用篇 调试在原有的Lego-loam中Gtsam框架上添加3维里程计的BetweenFactor约束 1.1 给初值 1.2 给方差 double lidarVar[6] = {1e-4, 1e-4, 1e-4, 1e-2, 1e-2, 1e-2}; Vector6 << lidarVar[0], lidarVar[1], lidarVar[2], lidarVar[3], lidarVar[4], lidarVa
LOAM详解（一）特征点提取
shy2333的博客
05-05 2134
本文指在对ALOAM的流程进行梳理，并对其中的一些问题进行整理
lego-loam代码解析(1)-自用
qq_45895520的博客
04-06 1071
学习文章：[1][2][3]本来想接着拼合阅读featureAssociation部分，但是尝试了一下搞出来发现结构并不是很清晰，而且也不懂里面的原理。找了一篇文章发现写的，打算按照按文章和代码批注版进行学习。
SLAM学习笔记（十九）开源3D激光SLAM总结大全——Cartographer3D,LOAM,Lego-LOAM,LIO-SAM,LVI-SAM,Livox-LOAM的原理解析及区别
微鉴道长的博客
04-26 3万+
本文为我在浙江省北大信研院-智能计算中心-情感智能机器人实验室-科技委员会所做的一个分享汇报，现在我把它搬运到博客中。 由于参与分享汇报的同事有许多是做其他方向的机器人工程师（包括硬件、控制等各方面并不是专门做SLAM的工程师），加上汇报的内容较多，因此在分享中我尽量使用简介的口语，而不出现复杂的公式。所以本文面向的是3D-slam方向的初学者。内容在整理中参考了许多链接，将放在最后。 在文章结束后，我会把原PPT放在上面，需要者自取。 另外打个广告，在slam方向有实习意愿的，请发送简历至zkyy8
SLAM论文阅读：M-Loam：具有在线外参校准功能的多LiDAR系统的稳健里程表和建图
qq_35102059的博客
11-29 2474
基于loam的多激光雷达slam 论文题目： Robust Odometry and Mapping for Multi-LiDAR Systems with Online Extrinsic Calibration 项目链接： https://ram-lab.com/file/site/m-loam/ 开源代码链接： https://github.com/gogojjh/M-LOAM 视频展示： https://www.bilibili.com/video/av756354450/
YOLOv5在无人机/遥感场景下做旋转目标检测时进行的适应性改建详解（踩坑记录）...
qq_29462849的博客
06-03 4056
作者丨略略略@知乎（已授权）来源丨https://zhuanlan.zhihu.com/p/358441134编辑丨极市平台文章开头直接放上我自己的项目代码：https://github.com/hukaixuan19970627/YOLOv5_DOTA_OBBgithub.com/hukaixuan19970627/YOLOv5_DOTA_OBB（以下为最初版本代码，最...
SLAM学习笔记（二十）LIO-SAM流程及代码详解（最全）
热门推荐
微鉴道长的博客
06-17 6万+
这篇文章的主要目的是理清LIO-SAM的流程，对其中的数据处理的思路、变量的存储等各方面做一个总结。代码的注释有我自己写的内容，还有就是参考了一些网络博客的内容，总之站在别人的肩膀上才能看的更高。 ...
点云从入门到精通技术详解100篇-雨雾环境下多传感器融合SLAM方法
getusushu的博客
10-18 301
近年来，随着计算机芯片技术的进步，运算能力得到了极大的提升，为实现无人驾驶 车辆的智能化奠定了坚实的硬件基础。鉴于无人驾驶这一潜在的市场，国内外众多厂商纷 纷开展无人驾驶技术的研究。谷歌的第一个无人驾驶项目Waymo于2009年启动，历经 十多年，于2018年末发布了其第一个无人驾驶载客服务Waymo One，如图1.1。与此同 时，国内的高科技公司纷纷加入无人驾驶市场。百度率先开始了无人驾驶领域的发展，并 于2020年推出了名为“萝卜快跑”的无人驾驶交通服务平台。如图1.2。
点云从入门到精通技术详解100篇-基于激光点云语义的环境感知（续）
getusushu的博客
12-26 945
解耦合的方式，让两个实验既具有一定的独立性，便于维护，又能共享数据集文件的读写；系统中激光雷达成本的另一种方法是使用较低价的激光雷达，虽然会损失一些精确度，但。相机的图像，计算图像间的视差，来预测每一个像素的深度。目标检测、语义分割和同步定位与建图，都可以利用精确的深度值，从而在这些领域中获。模态间的特征交互，晚期融合更关注各个模态内的特征交互，本文采用结合两者的混合融。块将卷积后的深层特征与原始的浅层特征融合，能够让网络学习残差信息，同时解决了随。辆、行人、骑自行车的人等，还有各种程度的遮挡与截断。
自动驾驶-端到端大模型
最新发布
天赐好车的博客
11-03 120
端到端大模型 基本概念： 优势特点： 应用领域： 面临的挑战： 自动驾驶端到端大模型 技术原理： 优势： 面临的挑战： 自动驾驶的端到端大模型用了什么技术？ 深度学习技术： 多模态数据融合技术： 强化学习技术： 模型压缩与优化技术： 数据增强技术：
ASPICE 4.0引领自动驾驶未来：机器学习模型的特点与实践
yayuanjingkeji的博客
10-30 287
ASPICE 4.0-ML机器学习模型是针对汽车行业，特别是在汽车软件开发中，针对机器学习（Machine Learning, ML）应用的特定标准和过程。ASPICE 4.0中的ML模型部分则进一步细化了机器学习在汽车软件开发中的具体要求和流程。在自动驾驶技术的范畴下，ASPICE 4.0-ML机器学习模型的应用主要分布在无人车对环境的感知和行为决策这两个方面。ASPICE 4.0-ML机器学习模型为汽车软件开发中的机器学习应用提供了全面的指导和支持，有助于提升自动驾驶系统的性能、安全性和可靠性。
自动驾驶---理想汽车智驾进展
智能汽车人的博客
10-28 1388
自媒体电车通从2024年初开始推出智能化评测相关栏目，尤其是针对智能驾驶这一功能做了大量的实测工作；根据综合表现，给测试车型给出了能够直观展示其能力的评分。当评测的对象达到一定数量后，对整个国内车市智驾能力分级也有了基本的判断，不同车型智驾系统之间的评分分级，也在一定程度上还原了当下国内市场智驾的竞争格局。整体排名如下图所示（图侵删）：在上面的车机系统版本中，理想汽车还不是最新的大模型版本。
51c自动驾驶~合集4
whaosoft~aiotの开发板商城
10-31 681
我自己的原文哦~ https://blog.51cto.com/whaosoft/12413878迈驰&旷视最新MCTrack：KITTI/nuScenes/Waymo三榜单SOTA1. 写在前面&出发点自2016年SORT[1]算法提出以来，多目标跟踪任务已经经历了多年的发展，从最初的TBD(Tracking-By-Detection)范式发展到TBA(Tracking-By-Attention), JDT(Joint-Detection-Tracking)等范式，从单模态到多模态跟踪，从2D跟踪发展到
光线不足成短板 特斯拉自动驾驶夜间失效撞飞小鹿
weixin_41446370的博客
10-31 635
特斯拉的“全自动驾驶”系统在一次夜间行驶中未能识别路上的鹿，导致一辆Model 3直接撞上了静止的鹿。这起事故发生在一条标记清晰的高速公路上，当时周围几乎没有其他车辆。车主Paul S表示，在使用全自动驾驶系统时，车辆并未尝试避开或停下来，甚至在撞击后也没有自行停下。这一事件引发了对特斯拉自动驾驶系统在低照明条件下性能的质疑。目前，尚不清楚系统未能避开鹿的具体原因，可能与夜间能见度降低或特斯拉图像识别能力不足有关。
规划误差降低27%，碰撞率降低33%Senna: 大规模视觉-语言模型与端到端自动驾驶相结合
自动驾驶实战
10-31 412
端到端自动驾驶在大规模数据中展示了强大的规划能力，但在复杂、罕见的场景中仍然因常识有限而表现不佳。相比之下，大型视觉语言模型（LVLMs）在场景理解和推理方面表现出色。前进的方向在于融合两者的优势。以往利用LVLMs预测轨迹或控制信号的方法效果不佳，因为LVLMs并不适合精确的数值预测。本文提出了Senna，一个结合LVLM（Senna-VLM）与端到端模型（Senna-E2E）的自动驾驶系统。Senna将高层次规划与低层次轨迹预测分离。
关于自动驾驶等级相关知识
qq_45193988的博客
10-31 373
本文主要介绍自动驾驶等级的一下知识，在介绍之前，首先要介绍一些基本知识，然后介绍自动驾驶不同等级。
自动驾驶上市潮中，会诞生下一个“英伟达”吗？
weixin_43963826的博客
11-01 835
对此，小马智行联合创始人兼、CEO彭军就在接受媒体采访时提到：“研发型的公司其实很需要资本支持，融资就是和资本市场的共赢，有了资金的支持公司才能够做得更好，创造出更多更优秀的产品，有了更好的产品才能够获得更多的投资人支持，这是正向循环。对此，小马智行副总裁、Robotaxi自动驾驶出行业务负责人张宁曾表示：“在像北上广深这样的城市中，当Robotaxi投放量在1000台时，运营才会达到盈亏平衡点，越过这个点，每增加一台车辆我们的成本会更低，毛利率会更高，进入正向的不断自我造血的阶段。
LeGO-LOAM算法详解与实践应用
首先，“LeGO-LOAM”很可能是一个项目名称或软件库的名称，而“LOAM”可能指的是激光里程计与地图构建（Lidar Odometry and Mapping）的技术。激光里程计是一种利用激光雷达（Lidar）传感器数据进行位置估算的技术，...
评论 1
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
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