钟领军shell-CSDN博客

原创点云配准算法效率对比

一直对点云配准算法的效率感兴趣，这次自己来做一下。本对比将这样设计：依托深蓝学院课程《多传感器融合定位》的代码框架，每次改变一种点云配准算法，在同一个数据上得到不同的纯激光的里程计，通过对比这些里程计的时间、计算资源消耗的的出口结论。关于课程资源的获取和环境配置则可以参考我之前的博文。

2025-04-10 01:52:07 307

原创 FAST-LIO2代码review（一）——滤波器处理流程

FAST-LIO2是一种效果强大的SLAM框架，本文主要针对以下问题去理解该代码：下面的语句定义了ESEKF其中,state_ikfom，input_ikfom是MTK库定义的状态变量，state_ikfom为状态，input_ikfom为输入：其中所用的到的MTK库是一种处理流型的库。该代码定义了三个自定义数据类型 state_ikfom、input_ikfom 和 process_noise_ikfom，分别表示状态、输入和过程噪声。初始化主要为了初始化观测模型、噪声等等。初始化由以下函数实现：

2025-02-13 15:17:23 1016

原创《深蓝学院多传感器融合定位》第一章——代码运行及解析

本文介绍了如何跑通第一章代码，同时对核心代码做了解析，后续更新其他章节。

2025-02-12 16:29:23 989 3

原创《深蓝学院多传感器融合》第一章——docker环境配置

在开始使用前，首先需要在本地配置Docker以及环境.

2025-02-08 16:21:28 853

原创多传感器融合定位第二章代码解析———前端

本文分析了多传感器融合定位第二章代码前端部分，总体来说这是一个非常简单的slam算法。一方面通过插入关键帧的方式建立局部地图，一方面利用NDT完成当前帧在局部地图下的定位，估计当前的位姿。在定位方面，第一帧的位置直接被置为0在建图方面，把第一帧作为关键帧插入到地图中。

2024-12-02 23:42:15 332

原创深蓝《多传感器融合定位》代码解析——第一章

本文对多传感器融合定位的第一章代码进行解析，其代码的大致内容是利用NDT对点云进行匹配。

2024-11-04 13:53:57 266

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 1907

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 15:39:23 871