- 博客(5)
- 收藏
- 关注
RSS订阅原创 《自动驾驶与机器人中的SLAM技术》第七章代码分析——松耦合里程计
本文梳理了第七章的整体代码框架。重点看了数据处理，以及ESKF部分。并按照书中公式走了一遍ESKF的流程。关于数据处理部分，首先把一帧雷达点云和其间的IMU数据打包，做成一个MeasureGroup，完成读入操作，难点是其中的架构。对于ESKF部分，ESKF主要经历了以下步骤IMU初始化，计算均值和方差，并以此估计重力，并以均值作为IMU的噪声利用IMU预测利用lidar匹配结果进行更新2、3部分具体的代码和推导注释可查看文中代码值的注意的是，整个系统在IMU的坐标系下进行融合。
2024-09-24 19:49:50
1079
原创 robot_pose_ekf代码review
在内部有一个估计器OdomEstimation my_filter_，这是一个卡尔曼滤波的估计器，我们知道卡尔曼滤波有预测和更新两个部分，我们分这两个部分来看。该项目是默认小车坐标中心是和odom一致的，因此odom的外参不需要处理。预测值在初始化时给定，内部有好几种初始化方式，在这里着重看odom的初始化方式，可以看到在一开始就给定了预测初始值。11. 当filter的时间戳晚于初始化odom的时间，初始化成功，odom被激活。加速度角速度可以使用imu的加速度和角速度，z值则可由imu的积分结果指定。
2024-09-07 15:39:23
391
原创 geometry_msgs/PoseWithCovariance与nav_msgs/Odometry之比较
Odometry包含PoseWithCovariance ，并且多了一个角速度和线速度信息。
2024-09-06 18:45:13
291
原创 autoware lidar_localizer代码review（一）
代码整体流程是这样的：首先认为给定一个initialpose，然后利用这段时间内的odom累积从initialpose开始的位置，作为match的初始值，匹配之后得出结果。如果说一开始就知道odom下的base的位置，可以直接得到map下的base初始值。
2024-09-04 18:51:37
526
原创 AMCL代码review
其实整个流程和用odom预测，与雷达ndt配准更新odom-map类似。在AMCL中base-map由滤波器给出，在ndtt匹配中则是由匹配给出。base-odom可以直接由odom读取，而map-odom的初始值有init给定，即使不准也会在后续持续不断更新，初始化的步骤也将极大地简化。
2024-09-04 15:53:42
255
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人