![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
SLAM
文章平均质量分 95
SLAM
Nie_Xun
这个作者很懒,什么都没留下…
展开
-
VINS滑窗及边缘化
滑窗优化思想是指定一个待优化的窗口宽度,随着新帧的到来,将老的帧信息移出窗口,每次都优化窗口内的帧及特征点。由于在滑窗problem进行求解前,需要将先验约束加入到problem中,然而,先验结束是上一轮边缘化得到的,从而对于窗口内的变量及约束而言,边缘化使用的是次新帧是不是关键帧,而不是通过对新帧的判断。在VINS初始化过程中,使用SFM对特征点及相机位姿进行不带尺度(up-to-scale)的估计后,就使用了一次滑窗优化,此时尺度是任意设置的,且使用的是ceres自动微分功能。原创 2024-05-16 18:43:30 · 963 阅读 · 0 评论 -
VINS初始化原理及代码
⋅w⋅w表示世界坐标系下的表示,Z轴与重力方向重合。⋅b⋅b表示体坐标系下的表示,与IMU坐标系绑定。⋅c⋅c表示相机坐标系下的表示。qbwq_b^wqbw和pbwp_b^wpbw分别表示imu 体坐标系下转换到世界坐标系下对应的旋转和平移。qcbq_c^bqcb和pcbp_c^bpcb分别表示相机坐标系下转换到体坐标系下对应的旋转和平移。⋅bk⋅bk表示第k帧图像对应的体坐标系。⋅ck⋅ck。原创 2024-05-08 15:32:37 · 586 阅读 · 0 评论 -
VINS预积分与误差模型
在VIO系统中,IMU的发布频率通常是高于图像的,VINS系统中,使用k来表示对应的图像帧时刻,通过积分两个图像帧之间的IMU数据,来与视觉估计的位姿进行对比,来得到更加精确的位姿。),即将两帧图像发布时间内,IMU的数据进行积分(将[k,k+1]时刻内的IMU数据进行积分,从而得到IMU两帧图像之间的位姿变化量)。真实的零偏是包含了游走偏差的,而加速度计和陀螺仪需要体现实际的物理量,要去除噪声所带来的影响。因此状态的传递,误差的传递均是指两个图像帧之间的IMU积分值的传递,以下的预积分均以。原创 2024-05-07 16:12:37 · 432 阅读 · 0 评论 -
STL的并行遍历:for_each(依赖TBB)和omp parallel
guided:循环迭代划分成块的大小与未分配迭代次数除以线程数成比例,然后随着循环迭代的分配,块大小会减小为chunk值。chunk的默认值为1。dynamic:动态调度迭代的分配是依赖于运行状态进行动态确定的,当需要分配新线程时,已有线程结束,则直接使用完成的线程,而不开辟新的线程。这个分配是静态的,线程分配规则根据for的遍历的顺序。其中,shared括号中说明所有线程公用的变量名,private括号中的变量为各个线程均独立的变量。当遍历的操作较多,这里sleep来模拟较多的工作,并行体现出优势。原创 2023-04-10 11:46:09 · 1226 阅读 · 0 评论 -
点云对齐/轨迹对齐方法及论文讲解
对齐两个轨迹或者对齐两组点云所要求解的自由度包含两组坐标系的3个平移,3个旋转及一个放缩尺度共7个自由度。或者计算里程计的精度问题,得到里程计估计的时间离散位姿后以及轨迹位姿真值后,如何评判里程计的精度。为x轴方向,y轴位于三个点构成的平面上,垂直于x轴,z轴符合右手定则正交与x轴与z轴。在已知两组坐标系之间的旋转变换后,求解平移及尺度因子是相对比较简单的。分别为三个点构成的坐标系的基础向量在两个原始坐标系的表示。为对应z轴的单位向量,得到新坐标系单位矩阵构成的基向量。利用3个点分别建立新的坐标系,设。原创 2022-08-22 17:14:11 · 2150 阅读 · 0 评论 -
Lucas-Kanade 20 Years On 正反向/累加/合成求解算法
主要翻译及概述基于图像对齐的正向累加、正向合成、反向合成及反向累积迭代算法Forward additive algorithm、Forward Compositional algorithm、Inverse additive algorithm & Inverse Compositional algorithm对应代码下载地址-https://download.csdn.net/download/weixin_41469272/862451421981年提出的图像对齐的算法Lucas-Kanade在计算原创 2022-07-19 21:58:16 · 810 阅读 · 0 评论 -
欧拉角转换特殊情况(万向锁等)
文章目录问题说明欧拉角到旋转矩阵旋转矩阵到欧拉角万向锁与π\piπ结合测试代码问题说明旋转的表示方式有:角轴,旋转矩阵、四元数、欧拉角。具体见旋转矩阵、欧拉角、四元数及四元数插值欧拉角表示优点:理解友好;3个变量3个自由度缺点:奇异性(万向锁);同一个旋转可由多组欧拉角来表示,即一个旋转对应多组欧拉角。这篇文章从旋转矩阵转化欧拉角来分析这些情况。主要说明同一个旋转解析出不同欧拉角的特殊情况。首先提以下旋转矩阵概念:旋转矩阵根据内外旋可以写成左右乘的形式,左右乘的旋转矩阵是互相的转置。旋转矩原创 2022-05-11 14:48:32 · 1405 阅读 · 0 评论 -
单目初始化及尺度不确定
单目里程计:问题:通过单目相机图像序列,计算得到图像序列对应的相机位姿(R,t)(R,t)(R,t)两个特点:1、需要足够平移才能完成初始化2、尺度不确定及尺度漂移1、单目初始化需要相机足够的平移,才能够完成初始化。使用2D-2D的方式来估计两帧相机之间的位姿时,可以通过求解**H(单应矩阵homography)或F(基础矩阵fundamental)以及BA(bundle adjustment)**等方式来解析出相机的位姿。在近纯旋转(低偏移)的情况下,F阵解算失效,通过H和BA的方式可以原创 2022-04-21 14:38:21 · 2588 阅读 · 1 评论 -
三角化特征点(triangulation)方法及实现对比
三角化特征点(triangulation)方法及实现对比问题已知两帧相机在世界坐标下的位姿[R,t][R,t][R,t], 求两帧的共视点的3维坐标。设两帧为参考帧(reference)和当前帧(current),共视点ppp在两帧下的坐标分别为xrx_rxr和xcx_cxc,对应深度为drd_rdr和dcd_cdc。图像归一化齐次坐标为prp_rpr和pcp_cpc(非像素坐标)。pr=[urvr1], pc=[ucvc1]p_r=\left[\begin{mat原创 2022-03-23 22:26:33 · 3126 阅读 · 0 评论 -
TUM RGBD数据集工具及使用
TUM RGBD数据集工具及使用1. 工具工具下载地址:https://vision.in.tum.de/data/datasets/rgbd-dataset/tools• add_pointclouds_to_bagfile.py 给bag中加入点云topic• associate.py 生成depth 和 rgb的匹配信息• evaluate_ate.py 绝对误差评估,常用• evaluate_rpe.py 相对误差评估• generate_pointcloud.py 生成点云数据•原创 2022-03-15 14:40:26 · 5007 阅读 · 5 评论 -
RGBD-slam和DVO-slam安装及运行
文章目录RGBD-slam1 下载2 编译3 运行DVO 编译运行:1.下载dvo-slam2.下载编译Sophus3.下载编译g2o4.修改dvo的几个package的CMakeLists.txt5. 编译dvo_slam6运行dvo_slamRGBD-slam1 下载(1)源码包下载cd <ros_ws>/srcgit clone https://github.com/felixendres/rgbdslam_v2.git(2) 修改以下文件:1)src/misc.cpp8原创 2022-03-14 21:30:56 · 2404 阅读 · 0 评论 -
ORB-Mono原理梳理
ORB-Mono原理梳理1. ORB主要特点: 1)ORB特征点;2)共视图;3)本质图的回环处理1)ORB特征点描述子相对SIFT轻量,节省计算时间。利用角点(Fast关键点)的尺度方向恢复角点因为相机旋转带来的方向变化,恢复角点方向,再计算描述子,才能得到更加准确的匹配关系。2)共视图用于局部BA优化,并辅助回环检测。共视图根据观测权重可以被删减为本质图(Essential graph),其包含单链的生成树(Spanning tree)。3)本质图用于回环处理时进行的全局BA优化。缩小计原创 2022-02-13 20:39:08 · 558 阅读 · 0 评论 -
H(单应矩阵homography),本质矩阵(Essential Matrix)和F(基础矩阵fundamental)
H(单应矩阵homography),本质矩阵(Essential Matrix)和F(基础矩阵fundamental)H矩阵适用于:1)特征点位于平面上;2)纯旋转,使用Faugeras 和 Lustman方法通过H阵解算出8种可能的(R,t)(R,t)(R,t)F使用于普通场景(非平面场景),但是从E/F中解算位姿有四种可能性,且不适用于低视差的场景。因此单应矩阵H可以更好的应用于低视差(接近纯旋转)的场景下。而当平移接近零时,E和F阵则接近零(E=t∧R, F=K−TEK−1原创 2022-02-13 12:41:04 · 6894 阅读 · 0 评论 -
概率&滤波器&图优化&最小二乘求解
文章目录SLAM后端优化1 预知识点1.1 高斯分布的正则形式(canonical form)及马氏距离:1.2 状态方程的协方差及信息矩阵传递1.3 信息矩阵和Hessian矩阵1.4 协方差矩阵与信息矩阵1.5 Schur补概念1.6 信息矩阵的边缘化1.7 贝叶斯后验滤波器2 概率在线/全局SLAM算法2.1 卡尔曼滤波(KF)2.2 扩展卡尔曼滤波器(EKF)2.3 UKF:TODO。2.4 Information Filter (IF)2.5 Extended Information Filte原创 2021-12-17 23:14:43 · 2884 阅读 · 0 评论 -
SVO原理解析
一、SVO框架: 从上图可以看出SVO的分为两个主要部分:定位和建图。这两部分以并行线程执行,保证算法的实时性。从图中也可以看出来,两个线程是有所耦合的,如定位线程的第二步(图像坐标对齐)时使用了建图中估计的特征点的深度(三维坐标点)。 SVO算法分解开后,就是几个比较传统的求解思路的组合。定位中包含三步: 1、 直接法求解粗略的相机初始位姿:这里作者不再使用大范围的图像块进行直接法的tracking,进在关键帧进行离散的特征点提取,并保证特征点在图像中分布的均匀性。将特征点按帧进行传递,使原创 2021-11-19 17:29:51 · 7985 阅读 · 0 评论 -
DVO-slam原理介绍
文章目录1、误差约束公式2、权重最小二乘迭代求解(IRLS):2.1 论文1中的迭代公式:论文1中只说明了光度误差:2.2 论文2中的迭代公式3、关键帧的选择参考论文1:Robust Odometry Estimation for RGB-D Cameras参考论文2:Dense Visual SLAM for RGB-D Cameras1、误差约束公式基于直接法的稠密建图,误差采用两部分:灰度误差和深度误差:灰度误差:灰度误差表示匹配点在图像中被观测到的光度误差,误差方程定义如下:深度误原创 2021-11-05 21:15:59 · 1511 阅读 · 0 评论 -
直接法FC(Forward Compositional )&IC( Inverse Compositional )&ESM求解方法介绍
直接法FC&IC*ESM求解方法介绍论文:Efficient Compositional Approaches for Real-Time Robust Direct Visual Odometry from RGB-D Data以下公式与原文出入较大,批判阅读一、介绍这篇论文讲述使用RGBD实现直接法VO的求解思路基于直接法的求解方法:提出三种求解思路:Forward Compositional (FC);Inverse Compositional (IC);Efficient原创 2021-10-29 23:24:36 · 2100 阅读 · 1 评论 -
LSD-slam算法原理
LSD-slam算法原理论文:LSD-SLAM: Large-Scale Direct Monocular SLAM一、 预先知识:1、三维刚体与相似变换1.1 三维刚体变换仅包括6个自由度,即三轴旋转和三轴偏移,变换矩阵定义如下:李代数与变换矩阵的转换关系:定义李代数:ξ∈se(3)\xi \in se\left(3\right)ξ∈se(3)G=expse(3)(ξ),ξ=logSE(3)(G){G}={exp}_{se(3)}(\xi), \xi = log_{SE(3)}(G)G=原创 2021-10-29 20:59:13 · 4842 阅读 · 0 评论 -
lsd-slam深度滤波器
lsd-slam深度滤波器论文:《Semi-Dense Visual Odometry for a Monocular Camera》一、背景基于特征点的单目SLAM:分为两步: 1. 提取离散特征点并进行特征点匹配 2. 通过匹配的特征点计算相机及特征点的位姿解算两个缺点: 1. 使用的图像特征通常仅为角点,斑点及边角线。 2. 匹配特征点的计算消耗较大基于直接法的稠密单目SLAM:直接使用图像解算相机位姿。并建立稠密世界地图二、算法大纲LSD算法核心点: 1. 概率原创 2021-10-25 18:33:03 · 2734 阅读 · 0 评论 -
ROS melodic 安装/卸载&常用命令及使用-ubuntu18.04
文章目录ROSROS安装配置环境变量ROS测试ros server启动package 包管理node 节点管理编译topic 消息管理service 服务管理bag使用message管理parameter 参数管理卸载ROS古月居 · ROS入门21讲:https://www.bilibili.com/video/BV1zt411G7Vn?p=1古月居 · 对应代码:https://gith...原创 2020-04-03 14:43:34 · 9752 阅读 · 2 评论 -
DEMO-lidar原理介绍及数据集运行测试
DEMO-lidar介绍论文:《Real-time Depth Enhanced Monocular Odometry》Real-time Depth Enhanced Monocular Odometry概述DEMO-lidar源码解析demo-rgbd解读http://wiki.ros.org/demo_lidarDEMO-lidar:Depth Enhanced Monocular Odometry (Demo),是一个组合深度信息的单目视觉里程计。主要由三个主线程:“feature原创 2020-08-22 22:44:53 · 1818 阅读 · 19 评论 -
多传感标定
多传感标定相机标定:camera_calibration 单目/双目ROS下单目和双目相机的标定在ROS中实现双目相机校正kalibr标定 单目/双目内外参IMU内参标定:imu_utilsimu_tkimu_utils & imu_tk用imu_utils标定IMU,之后用于kalibr中相机和IMU的联合标定相机&IMU联合标定:联合标定双目相机和imu,使用工具Kalibr雷达及imu标定lidar_camera_calibration激光雷达与相机联原创 2020-07-06 20:49:21 · 691 阅读 · 0 评论 -
INDEMIND相机运行VINS-slam
所需资源:imsee-sdk & vnis-mono相机/imutopic:基于indemind官网提供的sdk:https://imsee-sdk-docs.readthedocs.io/zh/latest/来创建基于ros的topic。IMSEE-SDKslam:VINS-Mono使用步骤:原创 2020-07-07 15:52:40 · 1961 阅读 · 9 评论 -
cvCornerHarris角点提取实例c++
cvCornerHarris:功能:检测图像的哈里斯角点检测,判断出某一点是不是图像的角点函数形式:void cvCornerHarris( const CvArr* image, CvArr* harris_responce, int block_size, int aperture_size=3, double k=0.04 );参数列表:Image 输入图像harris_responce存储哈里斯检测responces的图像。与输入图像等大block_size 邻域大小(见关于cvCor原创 2020-08-30 19:31:59 · 442 阅读 · 0 评论 -
sophus test_ceres_se3编译问题-各种未定义
可以直接进https://github.com/strasdat/Sophus.git下的issue下查看是否类似问题。编译Sophus 时遇到 test_ceres_se3的一些未定义的问题,是由于依赖的ceres版本不同引起的。可以在Sophus源码主目录下script/install_linux_deps.sh中查看依赖的ceres版本。将ceres切换到指定的版本重新编译安装ceres后,在重新编译Sophus。...原创 2020-06-24 18:59:33 · 572 阅读 · 1 评论 -
激光雷达与相机标定
文章目录激光雷达与相机标定1.下载源码并编译2. 制作标定板3.配置4. 启动5. 过程操作遇到问题参考链接激光雷达与相机标定激光雷达与相机的标定方法有:Autoware, apollo, lidar_camera_calibration, 与but_velodyne本文介绍使用lidar_camera_calibration来进行激光雷达与相机的标定。本人要标定的激光雷达为:VLP16,相机:INDEMIND相机1.下载源码并编译mkdir -p catkin_ws/srccd catkin原创 2020-10-28 13:29:57 · 6535 阅读 · 9 评论 -
特征点法&光流法&直接法
介绍特征点法:提取图像特征点,计算特征点图像描述子(图像灰度/变化梯度等),通过描述子来匹配特征点,确定特征点的匹配关系,利用三角/对极几何/PnP等算法估算相机运动。计算精度高,但是耗时。光流法:提取图像特征点,与特征点法不同的是,光流法通过图像灰度值(RGB)值匹配特征点,光流描述了像素在图像中的运动,再利用三角/对极几何/PnP等算法估算相机运动。减少特征点匹配所需的计算量,精度也有保证。直接法:提取图像特征点,通过计算灰度值(RGB)值直接解算得到运动估计(R,t)。利用像素移动直接计算得到原创 2021-06-21 15:28:59 · 4886 阅读 · 0 评论 -
INDEMIND相机运行ORB2-slam。
IDEMIND相机来运行ORBSLAM2单目,双目和深度模式博客的方法来运行。主要为以下几步:基于官网提供的sdk:https://imsee-sdk-docs.readthedocs.io/zh/latest/来创建基于ros的topic。#这里用sudo -s可以不切换用户环境sudo -s source <原创 2020-07-01 15:42:17 · 1174 阅读 · 7 评论 -
LOAM 原理及代码实现介绍
LOAM 介绍paper:《Lidar Odometry and Mapping in Real-time》LOAM整体框架:将定位与建图分开运行,高频位姿估计+低频优化建图->实现实时,低计算量,低漂移。数据提取及处理:根据点的曲率c来将点划分为不同的类别(边/面特征或不是特征),在每一个sweep中,根据曲率对点进行排序,来作为评价局部表面平滑性的标准。一个sweep指完成一次完整的扫描,一次sweep分为多个scan,每一次sweep的雷达位姿定义为为这一sweep起始时的状态原创 2020-05-29 21:06:09 · 15150 阅读 · 8 评论 -
realsense D435i gazebo slam(px4)仿真
realsense D435i gazebo slam仿真包含realsense T265 D435i的urdf和sdf文件、realsense_gazebo_plugin包及realsense 模型文件使用示例。下载realsense 仿真模型[catkin_ws]表示自定义的工作目录mkdir -p [catkin_ws]/srccd [catkin_ws]/srcgit clone https://gitee.com/nie_xun/realsense_ros_gazebo.gitcd原创 2021-06-15 11:27:31 · 7378 阅读 · 37 评论 -
SLAM轨迹精度测评(TUM格式)
本文介绍3个评测slam轨迹精度的工具evoevaluate_ate.pyrpg_trajectory_evaluation1. evo安装及使用evo安装: 使用pip安装,使用-i指定镜像源pip install -i https://pypi.tuna.tsinghua.edu.cn/simple evo --upgrade --no-binary evo使用:轨迹绘制:#单个轨迹绘制evo_traj tum traj_tumxxx.txt -p#多个轨迹绘制evo_tr原创 2021-08-24 11:55:48 · 5955 阅读 · 10 评论 -
旋转矩阵、欧拉角、四元数及四元数插值
在三维世界中的旋转的表示的方法主要有:旋转只是3个自由度未知量。3*3旋转矩阵3维坐标系经过旋转,得到新的坐标系,新坐标系三轴在旧坐标系下的表示构成的3*3矩阵,就是能够表述旋转的旋转矩阵。但是3*3矩阵用来表述3个自由度的旋转时,变量产生冗余,因此旋转矩阵及其还要满足一系列其他的性质。且表示也不够直观角轴任何旋转都可以看成,围绕空间某个轴旋转一定的角度产生的,角轴对应旋转轴的方向,其模长可以用来关联旋转的角度。欧拉角欧拉角它使用了三个分离的转角,把一个旋转分解成三次绕不同轴的旋转。比较清原创 2020-08-20 11:33:00 · 8002 阅读 · 2 评论 -
IMU 互补滤波器
本文主要介绍《Keeping a Good Attitude: A Quaternion-Based OrientationFilter for IMUs and MARGs》一文的互补滤波算法论文下载地址https://www.mdpi.com/1424-8220/15/8/19302,文中带了基础知识的讲解,比较全面。如果下载不到,可尝试使用https://download.csdn.net/download/weixin_41469272/15005220源代码使用介绍:http://wiki原创 2021-02-03 21:17:05 · 5308 阅读 · 2 评论 -
机器人自主导航路径规划实现算法介绍
规划介绍机器人实现自主导航就是实现机器人的自主避障功能需要:定位;建图;规划定位:确定机器人位置信息建图:识别建立环境地图,以栅格占用地图为主。地图分为:占用栅格地图及代价地图(costmap)。其中占用栅格地图表述地图的静态障碍物信息代价地图(costmap)用于导航,机器人以最小cost总和完成任务。规划:基于得到的机器人位置信息及环境地图信息,以及给定的目标点,规划完成导航任务。 规划包括:全局规划和局部规划。 全局规划是基于占用栅格地图及全局代价地图,当前位置及给定目标原创 2020-05-08 17:34:56 · 11767 阅读 · 0 评论 -
ICP(Iterative Closest Point)算法和Umeyama算法
介绍ICP算法是基于EM思想的方法,采用交替迭代法优化得到最优值。即ICP分为两步迭代优化,优化点云匹配及优化运动估计。点云匹配是将两帧点云数据在同一个坐标系下,一帧数据中的点找到另一帧数据最近的点,就作为一对匹配点。运动估计就是根据得到得两帧点云得匹配情况,构建最小二乘方程,求解。假设已知两帧点云图之间的匹配关系,那么求解两帧点云之间的位姿就是求最小二乘方程的解,即以下方程的解RRR与TT...原创 2020-04-04 20:27:24 · 14661 阅读 · 0 评论 -
AMCL介绍
AMCL介绍AMCL( Adaptive Mentcarto Localization),自适应蒙特卡洛定位,基于粒子滤波器的定位算法,与gmapping的定位方法类似,但主要实现定位功能。MCL:蒙特卡洛定位介绍MCL算法流程:随机生成粒子,粒子权重相等。更常用是位置初始化可以设为(0,0,0)。根据运动模型估计新时刻位姿根据观测模型及观测值,更新该时候粒子携带位姿的权重重采样,调整粒子分布,收紧粒子(去掉可信度低的粒子,增加新的)计算粒子权重的均值和方差,得到最佳位置估计。原创 2020-05-27 18:17:56 · 4889 阅读 · 4 评论 -
VLP-16配置及gmapping/loam应用-基于ubuntu-ros-melodic
将velodyne的控制模块通过网线与电脑联连接,电源线接通电源,过一会雷达开始转动。连接参考视频https://v.qq.com/x/page/m0181y3etxj.html?3. 配置编辑有线连接,设置:IP地址:192.168.1.x(x可以为1到254除开201以外的所有值,因为201是激光雷达的IP),参考:192.168.1.70子网掩码:255.255.255.0网关:192.168.1.1或者不设置https://blog.csdn.net/zbr794866300/.原创 2020-05-19 23:17:00 · 3412 阅读 · 2 评论 -
NICP算法介绍
NICP算法介绍算法提出原文:NICP-Dense Normal Based Point Cloud Registration (from IEEE)NICP是基于ICP算法的,由于ICP算法再点云的匹配关系上,是计算同一坐标系下的两帧点云上的点的距离最小作为比配点,这样的计算得到匹配关系,经常是错误的,会出现将不同位置(不同物体或者不同物体部分的扫描点)点进行匹配的情况,从而陷入局部最优。...原创 2020-04-14 22:08:50 · 8519 阅读 · 11 评论 -
点云配准及运动估计算法
基于优化的点云配准及运动估计算法虽然激光slam的前端配准,主流思路是基于交叉迭代优化算法,即分为两步优化,优化点云配准与优化运动估计。但是关于点云匹配的评价函数有不同的思路。评价函数用于评价运动估计(R,t)的可靠性。就是估计的(R,t)对不对。根据匹配点关系,建立目标评价函数函数,把激光的帧间匹配的运动估计问题转换为求解目标函数的极值问题。目前个人见过两种:1. 基于距离判断:思...原创 2020-04-19 21:15:07 · 2566 阅读 · 0 评论 -
激光slam与视觉slam
介绍Slam:同步定位与建图,就是在定位的同时,建立环境地图。主要思路是根据运动学模型计算位姿,并通过传感得到的环境信息,对估计位姿调整优化,从而得到准确位姿,根据定位及感知数据绘制地图。下图为slam主流框架:传感器感知*在视觉SLAM中主要为传感信息的读取和预处理。前端里程计(Radar/Visual Odometry)。特征点匹配及运动估计。后端优化(Optimization)。后端接受不同时刻里程计测量位姿,以及回环检测的信息,对估计轨迹及环境信息进行全局优化。回环检测(Loop原创 2020-05-09 20:46:23 · 7547 阅读 · 0 评论