激光slam
思考之路
这个作者很懒,什么都没留下…
展开
-
深蓝激光slam理论与实践-第九节笔记(基于已知位姿的构图算法)
语义地图的优点:通过语义标点可以极大的排除outliner,也可以极大的提高机器人定位的鲁棒性。t时刻的mi(地图估计) 等与t-1时刻的mi + t时刻的激光雷达逆观测模型。红色的线:激光通过,说明所有的栅格都是空闲,都是同时满足,所以如下式一所式。语义地图:加标签的尺度地图,slam的未来,是slam与深度学习的结合。蓝色箭头所指的地方:有一处被即中,则该处是占用,前面通过的是空闲。拓扑地图:两点是否连通,但是不管连通的路径如何。栅格地图,特征地图,点云地图:尺度地图(距离对应世界距离)原创 2022-09-21 12:48:24 · 167 阅读 · 0 评论 -
深蓝激光slam理论与实践-第八节笔记((基于图优化的激光slam方法)
基于图优化的激光slam方法原创 2022-09-20 17:10:19 · 188 阅读 · 0 评论 -
深蓝激光slam理论与实践-第五节笔记(基于滤波器的激光slam方法(Grid-based))
粒子耗散:粒子多样性的丧失,在建图中是致命的,而粒子多样性的丧失是由重采样造成的,重采样是有一定的概率的,假设每个粒子的权重都相同,然后一直进行重采样,每次重采样都有粒子会被丢掉,粒子会被复制,当采样趋于很大的时候,所有的粒子都由同一个粒子复制而来,重采样的过程是复制好粒子,丢掉差粒子,粒子数不变。用i个粒子进行状态传播,然后通过观测来评估每个粒子的权重,最后通过重采样进行机器人位值概率的校正,即粒子的重新分布(去除低权重的粒子,高权重的地方多撒些粒子)。目的:让粒子的分布更符合我们的后验分布。原创 2022-09-20 15:11:52 · 411 阅读 · 0 评论 -
深蓝激光slam理论与实践-第四节笔记(激光slam的前端配准方法)
PL-ICP的原理:激光的离散导致激光前后两帧打到的不是同一物理实体,或是同一个实体的不同部位,总之它们在空间中对应的不是同一个点,然后通过匹配算法PP-ICP强行对准相邻的任意点,那么自然会引入误差(点与点进行了匹配),PL-ICP发现这个问题后,通过点与该点相邻两点的连线进行匹配,即pj1与piw线段(向量)到pj1与pj2法向量上的投影。原创 2022-09-19 17:46:56 · 185 阅读 · 0 评论 -
深蓝激光slam理论与实践-第三节笔记(激光雷达运动畸变去除)
运动畸变的来源:每一个激光点都有不同的基准位姿,但是我们处理的时候认为所有的激光点都是同一基准位姿,帧率很高的时候可以认为是同一位姿,2ms的段时间内机器人运动很小可以忽略,但当激光帧率很低时,就不能这样认为了。位姿通过线性插值获取,在这K个位姿之间,再进行线性插值,第一个插值表示在里程计队列的数据间进行插值,使得激光点ts有对应的位姿,第二个插值指在得到的两个位姿间进行插值为每一个激光点分配位姿。使用高斯核对环境进行高斯模糊后,机器人微小的位姿变化不会造成期望值发生突变,使其能进行优化还能找到次优解。原创 2022-09-14 18:12:56 · 513 阅读 · 0 评论 -
深蓝激光slam理论与实践-第一节笔记
图优化:有节点和边,用图来表示机器人slam的整个过程,优化指机器人在构建图的过程中积累的误差我们通过非线性最小二乘的方式来优化这个建图过程中累积的误差,最终得到一个一致性的地图。在线标定:实时标定轮子的直径,例如服务形机器人载重时,会使轮子发生形变,为了提高标定的精度,需要对机器人进行实时的标定。尺度地图:gamp建立的地图是尺度地图,尺度不是真实的,实现方式分为两种:基于贝叶斯的和基于图优化的。前端:构图的构成,节点表示机器人的位姿,边表示机器人的空间约束关系(机器人的相对位置关系)。原创 2022-09-07 15:07:37 · 560 阅读 · 0 评论