shy2333的博客

目前大多数激光雷达 SLAM 系统在点云中构建地图，这些点云在放大后稀疏，但在人眼看来却很密集。密集地图对于机器人应用程序是必不可少的，比如基于地图的导航。由于网格的低内存成本，近年来网格成为一种很有吸引力的稠密建图模型。然而，现有的方法通常使用离线生成网格图。这两步流程不允许这些方法在线使用构建的网格地图，也不允许本地化和网格化相互受益。为了解决这一问题，我们提出了第一个 CPU 唯一的实时 LiDAR SLAM 系统，该系统可以同时建立网格图并对网格图进行定位。基于高斯过程。

链接:

特征提取与匹配是许多计算机视觉任务的基本组成部分，例如二维或三维目标检测、识别和配准。众所周知，二维特征提取与匹配已经取得了很大的成功。遗憾的是，在三维领域，目前的方法由于描述性差、效率低，无法支持三维激光雷达传感器在视觉任务中的广泛应用。为了解决这个问题，论文提出了一种新的三维特征表示方法:三维激光雷达点云的线性关键点表示，称为LinK3D。LinK3D的新颖之处在于，它充分考虑了LiDAR点云的稀疏性场景复杂性等特点，用其鲁棒的相邻关键点来表示当前关键点，对当前关键点的描述提供了较强的约束。

针对fast-lio的阅读记录

，然后利用权重分别校正点到线面向量在。

其中最后整合出一个10HZ的位姿输出方法是：可以看到，q_w_curr以1HZ的频率进行更新，其他情况下用的都是未更新量。

就像14讲中第六章ceres例题，用100个常量去优化三个未知数，这里也用数个点到线点到面的约束去优化位姿。改进方式：加入信息矩阵，根据点到线面的距离设置权重。

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

针对深蓝《多传感器融合与定位》的NDT学习记录

手撕ICP

ICP原理详解