3D-SLAM自搭平台 主动阿克曼 + RS16 + LPMS_IMU LEGO_LOAM 建图

最新推荐文章于 2023-10-27 14:28:20 发布
最新推荐文章于 2023-10-27 14:28:20 发布
阅读量2.6k 收藏 57
点赞数 8
分类专栏： 3D-SLAM自搭平台 文章标签： 3d 自动驾驶 人工智能
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/weixin_41281151/article/details/122492223
版权

3D-SLAM自搭平台 主动阿克曼 + RS16 + LPMS_IMU LEGO_LOAM 建图

效果展示：

详细建图(室内+室外)视频链接：

3D-SLAM自搭平台 主动阿克曼 + RS16 + LPMS_IMU LEGO_LOAM 室内建图

3D-SLAM自搭平台 主动阿克曼 + RS16 + LPMS_IMU LEGO_LOAM 室外建图

实验的完整代码下载链接：https://github.com/kahowang/3D-SLAM-Multiple-robot-platforms/tree/main/Active-Ackerman-Slam/%E4%B8%BB%E5%8A%A8%E9%98%BF%E5%85%8B%E6%9B%BC%2BRS16%2BLPMS_IMU%20%20LEGO_LOAM%20%E5%BB%BA%E5%9B%BE

录制的数据集下载链接：https://pan.baidu.com/s/1IIGquusHYk_UmGeClXG9tA 密码: fwo3

car

自搭 3D SLAM 数据采集轮式移动平台

lego_loam_indoor

LEGO-LOAM 室内建图

lego-loam_outdoor

LEGO-LOAM 室外建图 base:深圳云之园

前言：

本次实验为，使用自己搭建的移动底盘以及传感器，进行lego_loam 3D-SLAM建图，主要分为三大部分

a. LEGO_LOAM 论文概述摘要。(致敬作者Tixiao Shan  and Brendan Englot，及网上一系列的开源解释博主)
b.自搭平台，进行数据集采集，幷构建地图流程。(供参考)   
    现有设备：Robosense16 激光雷达，LPMS IMU,  自搭主动差速阿克曼底盘
c.数据集下载使用，搭建的平台，采集了室内、室外两个数据集，供大家尝试使用。（包含 雷达点云话题、IMU话题、相机话题）

1.LEGO_LOAM 概述

1.1 论文摘要

我们提出了LeGO-LOAM，它是一种轻量级和地面优化的激光雷达里程计和建图方法，用于实时估计地面车辆的六自由度姿态。LeGO-LOAM是轻量级的，因为它可以在低功耗嵌入式系统上实现实时姿态估计。LeGO-LOAM经过地面优化，因为它在分割和优化步骤中利用了地面的约束。我们首先应用点云分割来滤除噪声，并进行特征提取，以获得独特的平面和边缘特征。然后，采用两步Levenberg-Marquardt优化方法，使用平面和边缘特征来解决连续扫描中六个自由度变换的不同分量。我们使用地面车辆从可变地形环境中收集的数据集，比较LeGO-LOAM与最先进的LOAM方法的性能，结果表明LeGO-LOAM在减少计算开销的情况下实现了相似或更好的精度。为了消除由漂移引起的姿态估计误差，我们还将LeGO-LOAM集成到SLAM框架中，并用KITTI数据集进行了测试。

论文里面主要是和LOAM对比，其相比LOAM具有以下五个特点

1.2 系统性能

论文里面主要是和LOAM对比，其相比LOAM具有以下五个特点

a.轻量级，能在嵌入式设备上实时运行

b.地面优化，在点云处理部分加入了分割模块，这样做能够去除地面点的干扰，只在聚类的目标中提取特征。其中主要包括一个地面的提取（并没有假设地面是平面），和一个点云的分割，使用筛选过后的点云再来提取特征点，这样会大大提高效率。(如下图所示: 为在特征提取之前执行地面分割操作)

20210526113505907

c. 在提取特征点时，将点云分成小块，分别提取特征点，以保证特征点的均匀分布。在特征点匹配的时候，使用预处理得到的segmenation标签筛选(点云分割为边缘点类和平面点类两类)，再次提高效率。

d.两步L-M优化法估计6个维度的里程计位姿。先使用平面点优化高度，同时利用地面的方向优化两个角度信息。地面提取的平面特征用于在第一步中获得t_z,theta_roll,theta_pitch；再使用边角点优化剩下的三个变量，通过匹配从分段点云提取的边缘特征来获得其余部分变换t_x,t_y,theta_yaw。匹配方式还是scan2scan，以这种方式分别优化，效率提升40%，但是并没有造成精度的损失。

e.集成了回环检测以校正运动估计漂移的能力（即使用gtsam作回环检测并作图优化，但是本质上仍然是基于欧式距离的回环检测，不存在全局描述子）。

20210526113342924

2.自搭平台复现LEGO_LOAM建图

2.1 环境配置

2.1.1 硬件配置
2.1.1.1 速腾16线激光雷达

激光雷达通过网口进行配置，需要配置主从机网络。本机(机器人上的电脑或嵌入式设备)需要和雷达在同一个网段下。

雷达默认的出厂IP为 master_address :  192.168.1.200
本机设置IP为 slaver_address  : 192.168.1.102

如下图所示为速腾16线激光雷达的硬件驱动，将网线一头插在雷达硬件驱动，另一头插在电脑网口处。

随后点击ubuntu右上角的有线连接，点击有线设置

2022-01-01 13-26-28 的屏幕截图

点击有线连接右上角上的"+"

2022-01-01 13-35-56 的屏幕截图

修改名称为自己的任意名称(这里修改为"Robosense16")

2022-01-01 13-36-16 的屏幕截图

点击IPv4 ,填入地址 192.168.1.102 , 子网掩码为 : 255.255.255.0

2022-01-01 13-36-34 的屏幕截图

点击右上角的添加后，即可看到和雷达的有线连接成功

2022-01-01 13-36-40 的屏幕截图

#打开一个新的 terminal, 尝试是否能ping同雷达数据，如果接受到如下所示的数据，即配置雷达网口成功

ping 192.168.1.200

2022-01-01 13-40-08 的屏幕截图

2.1.1.2 IMU

使用的IMU为LPMS_URS2 9-axis

lpms

2.1.1.3 主动差速阿克曼底盘

2.1.2 软件配置
2.1.2.1 速腾16线激光雷达软件ROS驱动下载
cd ~/catkin_ws/src
git clone https://github.com/RoboSense-LiDAR/rslidar_sdk.git
cd rslidar_sdk
git submodule init
git submodule update

修改 rslidar_sdk CMakeLists.txt中的 配置文件

cd rslidar_sdk
sudo  gedit CMakeLists.txt
#将 set(POINT_TYPE XYZIRT)  修改为
set(COMPILE_METHOD CATKIN)
#将 set(POINT_TYPE XYZI)   修改为
set(POINT_TYPE XYZIRT)

2022-01-01 17-25-57 的屏幕截图

修改 rslidar_sdk package_ros1.xml 改名为 package.xml

2022-01-01 17-25-37 的屏幕截图

修改 rslidar_sdk/config/comfig.yaml 第16行的 lidar_type为 ： RS16

      lidar_type: RS16            #LiDAR type - RS16, RS32, RSBP, RS128, RS80, RSM1, RSHELIOS

编译

cd ~/catkin_ws
catkin_make
2.1.2.2 LPMS IMU 配置
catkin_make -DCMAKE_C_COMPILER=gcc-7 -DCMAKE_CXX_COMPILER=g++-7      #升级cmake版本
apt install ros-melodic-openzen-sensor     #下载 openzen-sensor
cd   lego_loam_ws/src
git clone  --recurse-submodules https://bitbucket.org/lpresearch/openzenros.git
cd ..   
catkin_make
2.1.2.3 lego_loam 配置

依赖：

a. ROS (tested with indigo, kinetic, and melodic)

b.gtsam (Georgia Tech Smoothing and Mapping library, 4.0.0-alpha2)

安装 VTK

sudo apt install python-vtk

安装 gtsam：

wget -O ~/Downloads/gtsam.zip https://github.com/borglab/gtsam/archive/4.0.0-alpha2.zip     # 安装gtsam
cd ~/Downloads/ && unzip gtsam.zip -d ~/Downloads/
cd ~/Downloads/gtsam-4.0.0-alpha2/
mkdir build && cd build
cmake ..
sudo make install

编译：

cd ~/catkin_ws/src					# 进入所在的工作空间
git clone https://github.com/RobustFieldAutonomyLab/LeGO-LOAM.git       # git clone lego-loam 源码
cd ..
catkin_make -j1						   #  当第一次编译代码时，需要在“catkin_make”后面添加“-j1”以生成一些消息类型。将来的编译不需要“-j1”
2.1.2.4 RS16 转 VLP16

由于lego_loam中默认接受的雷达话题为 /velodyne_points ，接收的雷达点云信息为XYZIR ,而速腾的激光雷达驱动中只支持 XYZI 、XYZIRT 数据类型，所以需要对数据进行转换，可使用rs_to_velodyne 这个节点进行雷达点云消息格式的转换。

cd  ~/catkin_ws/src
git clone https://github.com/HViktorTsoi/rs_to_velodyne.git
catkin_make

2.2 运行

2.2.1 离线建图
2.2.1.1 离线采集数据集
#运行小车底盘
ssh coo@10.42.0.1
password： cooneo_coo
cd catkin_ws
roslaunch turn_on_wheeltec_robot base_camera.launch

#采集数据
cd catkin_ws
source devel/setup.bash
roslaunch rslidar_sdk start.launch    # 启动RS16 雷达

rosrun rs_to_velodyne rs_to_velodyne XYZIRT XYZIR   # 启动雷达数据类型转换节点

rosrun openzen_sensor openzen_sensor_node      #  运行 LPMS  IMU

mkdir catkin_ws/rosbag
cd catkin_ws/rosbag
rosbag record  -a  -O lego_loam.bag										#  记录所有话题
2.2.1.2 离线建图
roslaunch lego_loam run.launch										#   运行lego_loam
rosbag play *.bag --clock --topic /velodyne_points  /imu/data    # 选择使用 雷达点云话题和 IMU话题(若IMU配置一般，可只使用点云话题)
2.2.2 在线建图

修改 run.launch 文件中 /use_sim_time

<param name="/use_sim_time" value="false" />    # 在线建图设为"false",离线建图设为 "true"   

#运行小车底盘
ssh coo@10.42.0.1
password： cooneo_coo
cd catkin_ws
roslaunch turn_on_wheeltec_robot base_camera.launch

#打开雷达
cd catkin_ws
source devel/setup.bash
roslaunch rslidar_sdk start.launch    # 启动RS16 雷达

roslaunch lego_loam run.launch									#   运行lego_loam

2.3 最终效果

室内，室外数据集均已上传到网盘，供大家下载使用

链接: https://pan.baidu.com/s/1IIGquusHYk_UmGeClXG9tA  
密码: fwo3
2.3.1 室内离线建图
cd lego_loam_ws     #进入到，下载lego_loam 的工作空间中
roslaunch lego_loam run.launch        # 运行lego_loam  建图

cd rosbag               #进入到存储数据集的目录下
rosbag  play  cooneo_indoor_urs2.bag --clock --topic /velodyne_points /imu/data  /usb_cam/image_raw/compressed    # 运行室内数据集

2022-01-10 13-24-59 的屏幕截图

LEGO-LOAM 3D 室内3D地图

2022-01-10 13-25-20 的屏幕截图

LEGO-LOAM 3D 室内3D地图

2d_gmapping

2D gmpping 建图

2.3.2 室外离线建图
cd lego_loam_ws     #进入到，下载lego_loam 的工作空间中
roslaunch lego_loam run.launch        # 运行lego_loam  建图

cd rosbag               #进入到存储数据集的目录下
rosbag  play  cooneo_outdoor_urs2.bag --clock --topic /velodyne_points /imu/data  /usb_cam/image_raw/compressed  # 运行室外数据集

lego-loam_outdoor2

2022-01-10 13-13-45 的屏幕截图

2.3.3 保存地图

运行 run.launch lego_loam 建图程序后，在rviz中点击勾选 Map Cloud，待程序结束后，CRTL + C 即可结束进程，会自动保存地图。

3. 数据及下载及使用

数据集下载地址 ： 链接: https://pan.baidu.com/s/1IIGquusHYk_UmGeClXG9tA 密码: fwo3

场景： 室内 、 室外

设备：二轮雅克曼底盘 、Robosense16线激光雷达、LPMS IMU

3.1 环境配置

上述 “2.1.2.3 lego_loam 配置” 已说明

3.2 修改相关配置及保存地图

3.2.1 修改配置文件
sudo gedit  lego_loam_ws/src_Lego-LOAM-master/LeGo-LOAM/include/utility.h

imuTopic 修改为自己的imu_topic , 本次数据集的imu topic 为 “/imu/data”

fileDirectory 中填写自己要保存的地图的绝对路径

termianal

3.2.2 保存地图

运行 run.launch lego_loam 建图程序后，在rviz中点击勾选Map Cloud，待程序结束后，CRTL + C 即可结束进程，建图成功。

3.3 构建地图

roslaunch lego_loam run.launch										#   运行lego_loam

#室内数据集
rosbag play cooneo_indoor_urs2.bag --clock --topic /velodyne_points  /imu/data     # 选择使用 雷达点云话题和 IMU话题(若IMU配置一般，可只使用点云话题)
#室外数据集
rosbag play cooneo_outdoor_urs2.bag --clock --topic /velodyne_points  /imu/data     # 选择使用 雷达点云话题和 IMU话题(若IMU配置一般，可只使用点云话题)

参考文献

[1] LeGO-LOAM初探：原理，安装和测试

[2]自动驾驶系列（三）速腾16线激光雷达驱动安装

[3]激光SLAM框架学习之LeGO-LOAM框架—速腾Robosense-16线雷达室外建图和其他框架对比、录包和保存数据

[4]SC-LEGO-LOAM 扩展以及深度解析（一）

[5]LIO-SAM运行自己数据包遇到的问题解决–SLAM不学无数术小问题

[6] SLAM学习笔记（二十）LIO-SAM流程及代码详解（最全）

[7]LeGO-LOAM和LOAM的区别与联系
edited by kaho 2022.1.10

KaHoWong
关注
  • 8
    点赞
  • 踩
  • 57
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
专栏目录
LeGO-LOAM算法详解
晓晨的博客
08-16 1万+
LeGO-LOAM算法详解 整体框架 LeGO-LOAM算法的总体框架如下图所示： 图中新增加了绿框中的Segmentation环节，同时对后续的特征提取、Odometry以及Mapping部分均有一定的修改，主要包括： 增加Segmentation操作，把点云投影为距离图像，分离出地面点与非地面点（分割点，segmented point）。 平滑度计算公式不同，原始LOAM中为使用点集中的坐标相减，而LeGO-LOAM中为使用点集中的欧式距离作差。 特征点选取中原始LOAM为按照平滑度的值及已有特征点
LeGO-LOAM代码解析---基础知识
weixin_42068054的博客
01-25 1343
在学习LeGO-LOAM之前，先介绍一下基础知识： 位姿是旋转和平移的统称。在三维世界中，物体的位姿变换既要考虑物体的位置的变化，也要考虑姿态的变化。 举个例子，你在宿舍里，以宿舍某个点取个固定坐标系，例如东北天坐标系。现在你要去食堂吃饭，无容置疑在这个坐标系中你的位置肯定发生变化，此外还有一个“东东”也在不断发生变化，也就是你脸的朝向（PS:假设是刚体变换）。假设在起点，你脸的朝向正东面，左手在北面，右手在南面，在行进过程中，显然你自身的姿态肯定不断发生变化。 我
LeGO-LOAM初探：原理，安装和测试
热门推荐
W_Tortoise的博客
01-17 4万+
前言 最近要搞3D激光SLAM，先后测试了Autoware，cartographer，loam和LeGO-LOAM。 今天就带来LeGO-LOAM的使用体验。 Github：https://github.com/RobustFieldAutonomyLab/LeGO-LOAM 论文：https://github.com/RobustFieldAutonomyLab/LeGO-LOAM/blob/m...
3D激光slam：LeGO-LOAM---基于广度优先遍历的点云聚类算法及代码分析
月照银海似蛟龙的博客
08-03 1294
广度优先遍历（BFS）和深度优先遍历（DFS）同属于两种经典的图遍历算法广度优先遍历算法首先从某个节点出发，一层一层的遍历，下一层必须等到上一层节点全部遍历完之后才会开始遍历基本思想尽最大程度辐射能够覆盖的节点，并对其进行访问。用一道BFS的题来进行举例以M节点为顶点的话则遍历顺序为MNQP或MNPQ或MQNP或MQPN或MPQN或MPNQ以N节点为顶点的话遍历顺序为NMOQ或NMQO或NOQM或NOMQ或NQOM或NQMO以Q节点为顶点的话遍历顺序为QMNPRABCCDE。...
从零入门激光SLAM（十三）——LeGo-LOAM源码超详细解析1
HUASHUDEYANJING的博客
10-27 3296
首先LEGO-LOAM是在LOAM基础上基于地面优化，并且加入了简易的闭环检测，而LOAM是实时三维激光SLAM的开山鼻祖，使得实时三维重建成为可能，同时基于特征的激光SLAM基本上都是LOAM的衍生算法，思想大同小异。LEGO-LOAM在LOAM的基础上效果有巨大提升，同时代码可读性较高，所以将它作为入门SLAM的第一个算法非常合适。LEGO-LOAM系统框架如下所示其核心思想是将同时定位和映射的复杂问题划分为两个算法，该问题旨在同时优化大量变量。高频低保真的执行里程计。低频高保真执行地图优化。
SLAM-使用立体摄像头执行同步定位+建图-针对水下机器人设计-优质项目实战.zip
03-15
SLAM（Simultaneous Localization and Mapping，同时定位与建图）是机器人技术中的核心问题，尤其是在水下环境，由于GPS信号无法穿透水面，因此对于水下机器人的自主导航和探索至关重要。本项目实战主要探讨如何利用...
SLAM-使用OpenCV+Numpy进行定位+建图-视觉SLAM-优质项目实战.zip
02-23
SLAM（Simultaneous Localization and Mapping，同时定位与建图）是机器人技术中的核心问题，它涉及机器人在未知环境中移动时如何构建环境地图并同时确定自身位置。本项目结合了OpenCV和Numpy这两个强大的工具，旨在...
orb-slam3+win+x64+release
最新发布
07-18
orb-slam3+win+x64+release
机器人算法的C++实现-包括定位+建图+SLAM+路径规划+控制-优质项目实战.zip
03-15
在机器人技术领域，C++是一种常用的编程语言，用于实现各种复杂的算法，特别是在机器人自主导航、定位、地图构建、同时定位与建图（Simultaneous Localization and Mapping, SLAM）以及路径规划和控制等方面。...
SLAM-使用ROS+ORB-SLAM+PSPNet101实现的语义SLAM-用于自主机器人语义理解+导航-优质项目实战.zip
02-20
SLAM（Simultaneous Localization and Mapping，同时定位与建图）是机器人领域中的关键技术，它允许机器人在未知环境中自我定位并构建环境地图。本项目实战是基于ROS（Robot Operating System，机器人操作系统）平台...
Lego-LOAM文章详细解读
liaolizhou的博客
12-27 8058
Lego-LOAM文章详解文章/代码下载地址一、框架概述（System Overview）功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 文章/代码下载地址 链接: Lego-LOAM 如果网络延迟过高，可以采用以下方式加速下载（
激光slam：LeGO-LOAM---代码编译安装与gazebo测试
月照银海似蛟龙的博客
07-28 2470
LeGO-LOAM的英文全称是。轻量化具有地面优化的激光雷达里程计和建图其框架如下，大体和LOAM是一致的LeGO-LOAM是基于LOAM的改进版本，其主要目的是为了实现小车在多变地形下的定位和建图，针对前端和后端都做了一系列的改进。在原本的LOAM中比如应用场景是AGV在草地中行驶，草地中的点会很有可能提取为角点，但是这种点是不稳定的，相比于楼房、树干等稳定的角点，希望要把地面上的角点去除掉。LeGO-LOAM更轻量化，不影响精度的情况下减轻计算负荷，保障了嵌入式平台的实时性。...
ros c++ 代码说明文档_新手如何从零开发ROS小车 （ros串口通讯、PID运动控制、双轮差速模型解算...
weixin_39962394的博客
10-24 903
教程文档目录目录1.1. 目的 31.2. ros小车方案选型 31.3. 小车底盘结构与硬件 51.3.1. 小车驱动模型 51.3.2. 小车硬件 51.4. STM32 编程 61.5. 学习计划 61.6. 接口功能单元 71.7. MCU Keil工程 81.8. QT上位机调试软件 81.8.1. 整体布局 91.8.2. 主界面 91.8.3. 地图 91.8.4. 驱动控制 101...
ROS学习笔记之——路径规划及avoid obstacles
gwpscut的博客
11-29 1万+
之前博客《ROS学习笔记之——Navigation Stack及路径规划》介绍了navigation stack，其中涉及到的amcl以及避障还没有详细的展开 AMCL 避障（avoid obstales） Robot Navigation Challenge 参考资料 http://wiki.ros.org/amcl 不错的视频学习链接（https://www.youtube.com/r...
3D激光SLAM：LeGO-LOAM论文解读---硬件系统部分
月照银海似蛟龙的博客
07-29 677
集成低成本惯性测量单元（IMU），型号为CHRoboticsUM6。30°（±15°）的垂直视场（FOV）和360°的水平FOV。水平角分辨根据旋转速率不同，从0.1°到0.4°变化。使用的UGV是ClearpathJackal。最大速度为2.0米/秒，最大有效载荷为20千克。10Hz的扫描速率，水平角分辨率为0.2°。论文的框架由两种激光雷达的数据进行的测。测量范围最远100米，精度为±3厘米。16通道传感器提供2°的垂直角分辨率。计算单元进行验证的有两个。垂直FOV为26.9°。...
LeGO-LOAM分析之特征提取（二）
To be a better man
09-21 1961
转载地址：https://zhuanlan.zhihu.com/p/384902839 接着上一章的分析，LeGO-LOAM进行点云分割之后，接着会对分割后的点云进行特征提取，下面我们首先回顾下点云分割的过程，然后开始分析特征提取。 点云分割 LeGO-LOAM首先进行地面分割，找到地面之后，对地面之上的点进行聚类。聚类的算法如下图，主要是根据斜率对物体做切割，最后得到地面和分割后的点云。上述步骤的关键是要理解如何进行地面分割和点云分割。 特征提取 点云分割完成之后，接下来对分割后的点云提取特征，提取的特
Lego-LOAM和LIO_SAM的使用及地图的处理
weixin_44126988的博客
07-13 1932
Lego_LOAM和LIO_SAM的基本使用
LeGo-LOAM 源码解析
17902的博客
09-11 1112
文章目录0、整体框架1、imageProjection —— 点云分割0. main()1. cloudHandler()2. copyPointCloud()3. findStartEndAngle()4. projectPointCloud()5. groundRemoval()6. cloudSegmentation()7. labelComponents()8. publishCloud()9. resetParameters()2、featureAssociation —— 特征提取与匹配0. m
十.激光SLAM框架学习之LeGO-LOAM框架---算法原理和改进、项目工程代码
weixin_36773706的博客
11-04 2445
算法原理和改进 LeGO-LOAM相对LOAM的改进： 1.地面分离方法： LeGO-LOAM中前端改进中很重要的⼀点就是充分利用了地面点，提供了对地面点的提取 如上图，相邻的两个扫描线束的同⼀列打在地⾯上如AB点所示（指的是同个水平角度下），他们的垂直高度差： 水平距离差： 计算垂直高度差和水平高度差的角度： 理想情况下应该接近0,但激光雷达安装无法做到绝对水平且地面也不是绝对水平，因此这个角度会略微大于0,考虑到作者在草坪之类的场景下运动，因此这个值被设置成10度。这个地面
orb-slam2精讲:原理推导+逐行代码分析
10-09
ORB-SLAM2是一种基于二维图像的实时单目视觉SLAM系统，可以在没有先验地图的情况下，从单个摄像头的输入中实时定位和建立环境模型。为了更好地理解ORB-SLAM2的原理和代码实现，我们需要逐行分析其核心算法。 ORB-SLAM2的主要原理是通过特征提取，特征匹配和位姿估计来实现定位和建图。在代码中，我们可以看到一些关键的数据结构和函数调用，这些都是实现这些原理的关键。 首先，ORB-SLAM2使用FAST特征检测器在图像中检测关键点。这些关键点代表图像中的有趣区域。然后，使用ORB描述符对关键点进行描述。ORB描述符使用二进制位串来表示关键点周围的特征。 然后，ORB-SLAM2使用词袋法（Bag-of-Words）模型来进行特征匹配。它首先通过建立一个词典来表示所有关键点的描述符。然后，使用词袋模型来计算图像之间的相似度，从而找到匹配的关键点。 接下来，ORB-SLAM2使用RANSAC算法来估计两个图像之间的相对位姿。RANSAC算法通过迭代随机采样的方式来筛选出最佳的匹配关系，从而得到相对位姿估计。 最后，ORB-SLAM2使用优化算法（如g2o）来进行位姿图优化，从而更精确地估计相机的位姿。通过优化，ORB-SLAM2能够减少位置漂移，并在动态环境下更好地跟踪相机的位置。 总的来说，ORB-SLAM2通过特征提取、特征匹配和位姿估计实现实时单目视觉SLAM。核心代码实现了特征检测、描述符提取、特征匹配、RANSAC算法和图优化等关键步骤。了解这些原理和代码实现，可以帮助我们更好地理解ORB-SLAM2系统背后的工作原理。
评论 6
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