激光建图、定位学习资源整理

最新推荐文章于 2024-09-20 13:39:31 发布
最新推荐文章于 2024-09-20 13:39:31 发布
阅读量312 收藏 1
点赞数 1
文章标签： 学习 点云
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/suyunzzz/article/details/125516692
版权

自用，侵删

知乎：https://zhuanlan.zhihu.com/p/113616755
github：https://github.com/Little-Potato-1990/localization_in_auto_driving

gitee：https://gitee.com/suyunzzz/learn_localization_in_auto_driving

https://github.com/suyunzzz/sensor-fusion-for-localization-and-mapping

https://github.com/AlexGeControl/Sensor-Fusion-for-Localization-Courseware

Tech沉思录
关注
多传感器融合定位 第二章 3D激光里程计
weixin_41281151的博客
08-24 3530
多传感器融合定位 第二章 3D激光里程计 参考博客： 深蓝学院 《多传感器融合定位》 第1章作业 参考代码： Geyao 前端里程计代码 代码下载 ： https://github.com/kahowang/sensor-fusion-for-localization-and-mapping 点云地图构建框架 FILE: front_end_flow.cpp FrontEndFlow::Run() bool FrontEndFlow::Run() { if (!ReadData()) {
多传感器融合定位 第四章 点云地图构建及基于点云地图定位
weixin_41281151的博客
09-05 5230
多传感器融合定位 第四章 点云地图构建及基于点云地图定位 代码下载 https://github.com/kahowang/sensor-fusion-for-localization-and-mapping/tree/main/%E7%AC%AC%E5%9B%9B%E7%AB%A0%20%E7%82%B9%E4%BA%91%E5%9C%B0%E5%9B%BE%E6%9E%84%E5%BB%BA%E5%8F%8A%E5%9F%BA%E4%BA%8E%E5%9C%B0%E5%9B%BE%E7%9A%84%E5
【激光SLAM】 01 cartographer环境建立以及建图测试（详细级）
俺的博客
07-23 2956
【激光SLAM】cartographer环境建立以及建图测试（详细级）cartographerLaunch the 2D backpack demo.Download the 3D backpack example bag.Launch the 3D backpack demo. 转载于知乎老哥:良知犹存 貌似他还有个公众号： 羽林君 链接： -https://zhuanlan.zhihu.com/p/335778454 不过这个老哥也是参考别人 QAQ cartographer 目前机器人使用中需要进
基于视觉语义信息的建图与定位综述
点云PCL
09-19 2419
点云PCL免费知识星球，点云论文速读。文章：Semantic Visual Simultaneous Localization and Mapping: A Survey作者：Kaiqi Chen, Jianhua Zhang, Jialing Liu, Qiyi Tong, Ruyu Liu, Shengyong Chen编辑：点云PCL来源：arXiv 2022欢迎各位加入免费知识星球，获取P...
【ROS】中级操作学习整理-激光SLAM
qq_52785580的博客
05-12 2093
本文介绍了5中ROS中常见的激光SLAM建图方法，其中最为常用的是gmapping_slam，另外，我们在激光SLAM使用讲解过程中，一并对如何保存地图、加载地图、地图数据格式进行了简要说明，这涉及到一个重要节点map_server。 另外，虽然我们对这些算法的原理和参数没有进行详尽的说明，但我们在 文章目录 前言 一、gmapping 二、hector 三、google 总结
Autoware内容学习与初步探索(一)
热门推荐
lovely_yoshino的博客
05-14 1万+
Autoware.AI是世界上第一个用于自动驾驶技术的“All-in-One”开源软件。它ROS1操作系统，并在Apache2.0许可下使用。定位（Localization ）：通过结合GNSS和IMU传感器的3D地图和3D地图、SLAM算法来实现定位。检测（Detection ）：通过传感器融合算法和深度神经网络使用摄像机和激光雷达完成检测。预测和规划（Prediction and Planning ）：基于概率机器人模型和基于规则的系统，部分还使用深度神经网络。
巨卷时代！如何入门学习自动驾驶中的感知定位融合？
CV_Autobot的博客
08-28 776
星球介绍自动驾驶之心知识星球是国内首个以自动驾驶技术栈为主线的交流学习社区，这是一个前沿技术发布和学习的地方，由上海交大校友创办！主要切入自动驾驶感知（分类、目标检测、语义分割、实例分割、全景分割、关键点检测、车道线检测、3D感知、目标跟踪、多模态、多传感器融合等）、自动驾驶定位建图（高精地图、SLAM）、自动驾驶规划控制、领域技术方案（纯视觉方案、视觉+毫米波雷达方案、视觉+Radar+Lida...
盘一盘激光雷达的点云数据处理：感知/定位/工程层面全面梳理！
CV_Autobot的博客
02-26 5696
作者|奚少华 编辑| 九章智驾点击下方卡片，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【3D目标检测】技术交流群随着激光雷达的上车数量的不断攀升，如何用好激光雷达成为了重中之重，而用好激光雷达的关键点之一就在于处理好点云数据。激光点云指的是由三维激光雷达设备扫描得到的空间点的数据集，每一个点云都包含了三维坐标（XYZ）和激光反射强度（Intensity），其...
ERASOR：解决动态环境下的SLAM建图问题，有效过滤动态物体（ICRA2021）
3D视觉工坊
10-05 4358
作者丨马赫WGH@知乎来源丨https://zhuanlan.zhihu.com/p/409884870编辑丨3D视觉工坊一、算法解析这篇论文致力于解决动态环境下的建图问题。在以「城市开阔...
视觉SLAM方案整理及硬件选型调研/视觉里程计算法综述
08-03
4. 多传感器融合SLAM：结合视觉、激光雷达、IMU等多种传感器数据，实现更精确的定位和建图，如LOAM、VINS-Mono等。 二、硬件选型 1. 摄像头：高分辨率、低噪声、宽动态范围的摄像头是视觉SLAM的基础，如全局快门、...
建立地图专栏之四：构建特征点云地图--2D激光雷达地图构建介绍
qq_35635374的博客
10-26 2539
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 TODO:写完再整理 文章目录系列文章目录前言一、2D激光SLAM的介绍1.主要应用领域2.2D激光SLAM的输入3.2D激光SLAM的输出二、2D激光SLAM的关键技术1.2D激光SLAM的后端回环检测方法（1）功能（2）后端回环检测类型三、2D激光SLAM建图算法的发展1.基于滤波器的方法建图【比较不流行了，但原理基础很重要】（1）基于滤波器Filter-based的SLAM算法发展历程（2）FastSLAM算法的介绍（3
建立地图专栏之五：3D激光雷达构建特征点云地图介绍
qq_35635374的博客
10-26 4998
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 TODO:写完再整理 文章目录系列文章目录前言一、3D激光SLAM的介绍1.地图形式2.主要应用领域3.3D激光SLAM的输入4.3D激光SLAM的输出二、3D激光SLAM的关键技术1.3D激光里程计【作为一个3d建图前端存在的】1. 激光雷达传感器原理2.3D激光里程计里程计整体流程介绍3. 前端里程计方案（1）基于直接匹配的方案1）点到点ICP系列2）NDT系列（2）基于特征的方案1）LOAM系列2）A-LOAM系列3）F
同时定位与地图创建综述
3D视觉工坊
08-08 857
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达SLAM包含两个主要任务，定位和建图。这是移动机器人自主完成作业任务需要解决的基本问题，特别是在未知环境的情况下，移动机器人既要确定...
探索《越南语翻译通》App：高效语言学习的利器
最新发布
工作姬
09-20 248
无论您是语言学习新手还是希望提高语言技能的专业人士，这款App都能为您提供帮助。它的学习材料覆盖了语言学习的各个方面，帮助用户全面掌握新语言。随着科技的发展，我们有了更多便捷的工具来帮助我们学习新的语言。今天，我们来探索一款名为《越南语翻译通》的App，它正逐渐成为语言学习者的新宠。《越南语翻译通》App采用了先进的AI技术，能够根据用户的学习进度和习惯，提供个性化的学习建议。它不仅提供了丰富的语言学习资源，还具备实时翻译功能，帮助用户在实际对话中快速理解和使用新语言。
shader 案例学习笔记之将坐标系分成4个象限
localhost
09-13 300
坐标系被分成了4个单元格，每个单元格都有唯一的索引，后续就可以根据索引去渲染。
Spring Framework 学习总结博客
2302_80084329的博客
09-13 1135
通过本文的学习，我们从Spring的核心架构入手，逐步理解了IoC和DI的概念，并通过代码示例掌握了如何在实际项目中使用这些技术。Spring通过IoC容器管理bean，依赖注入将bean之间的关系解耦，大大简化了复杂系统的开发过程。这些基本的Spring知识是理解其高级特性（如AOP、事务管理）的基础，掌握这些概念后，我们可以更加自如地使用Spring构建复杂的企业级应用。
看Threejs好玩示例，学习创新与技术(二)
htsitr2的专栏
09-14 564
它的主要特点是确保生成的点之间保持一定的最小距离，从而避免点的聚集。这种方法在计算机图形学、游戏开发、物理模拟等领域中非常有用，尤其是在需要生成自然分布的对象（如树木、石头等）时。如果不进行裁剪，那么效果如下（初步的锯齿感是因为矩形内采样的结果）。为啥这么复杂呢，为啥不开始存储每个方块的UV呢？下面代码的vTexCoords（=savedModelMatrix，已修改）记录方块所在的位置，vWorldPosition表示方块中像素的偏移。在上面那副图中，聪明的你一定初步猜到了每个方块的纹理是怎么得到的。
关于HarmonyOS的学习
m0_72035166的博客
09-16 1236
1.node模块化​​​​// tab()2.path模块// path内置模块，专门用来处理路径​// 获取路径最后一部内容，一般用它来获取文件名称​// 给定的路径连接在一起，可以把路径片段拼成完整路径// const result = path.join('day13', 'code', '03_path模块.js')// const result = path.join('day13', 'code', '../','03_path模块.js')​。
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

Tech沉思录

点赞加投币，感谢您的资瓷~

¥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