Unpredictable222-CSDN博客

原创【SLAM核心库全景指南：从原理到实战】

SLAM技术涉及多学科交叉，其开发离不开一系列强大的开源库支持。本文将深入剖析SLAM开发中的核心库，通过理论讲解和代码实践相结合的方式，帮助读者构建完整的SLAM知识体系。（里面的代码是使用举例，还不能直接运行，要按照自己的实际情况修改代码）

2025-06-10 10:56:52 1065

原创【2D与3D SLAM中的扫描匹配算法全面解析】

方法类型PCL类名优点缺点适用场景点到点ICP实现简单，通用性强收敛慢，对初始位置敏感通用3D配准点到面ICP收敛快，精度高需要法线计算结构化环境GICP结合点和面信息，更鲁棒计算复杂度高复杂环境NDT对初始位置不敏感，效率高依赖网格分辨率设置大场景，自动驾驶利用特征，全局配准依赖特征提取质量无初始猜测的情况。

2025-06-09 10:30:10 1473

原创【VINS-Fusion 深度解析：从多传感器原理到工程实现】

VINS-Fusion是VINS-Mono的扩展升级版，通过多传感器（双目相机、IMU、GPS）融合显著提升了定位精度。其核心技术包括：1) IMU预积分与视觉特征联合优化；2) 改进的边缘化策略；3) 双目视觉的深度直接测量。相比VINS-Mono，在EuRoC数据集上定位精度提升27-40%。系统采用滑动窗口优化，兼顾实时性与精度，但需精确的传感器标定。未来可探索更鲁棒的初始化方法和深度学习方法增强特征跟踪。

2025-06-05 18:07:50 1069

原创【VINS-Mono算法深度解析：边缘化策略、初始化与关键技术】

VINS系列算法是基于视觉-惯性融合的高精度导航系统，核心分为数据预处理、系统初始化、滑窗VIO和回环检测四个模块。关键技术包括光流跟踪、IMU预积分和紧耦合优化。边缘化策略通过FEJ原理保持系统可观测性，差异化处理关键帧和非关键帧。与ORB-SLAM3相比，VINS采用滑动窗紧耦合优化和单位球面投影。初始化阶段通过视觉-惯性对齐恢复尺度与重力，并对退化运动进行特殊处理。基础矩阵在低视差场景下提供更稳定的位姿估计。算法通过Ceres实现边缘化因子，确保高效优化与约束保留。

2025-06-04 10:52:50 845

原创【视觉SLAM基础（三）：光流法与直接法】

光流法和直接法是视觉SLAM中两种重要的运动估计方法。它们都基于图像的亮度不变假设，但实现方式和应用场景有所不同。本文将系统介绍这两种方法的原理，并通过TUM数据集上的实践展示具体实现。

2025-06-03 10:40:38 1161

原创【视觉SLAM基础（二）：特征点提取与匹配】

本文介绍了视觉SLAM中特征点的提取与匹配方法，重点阐述了ORB特征的实现原理及其OpenCV应用。首先讲解了FAST关键点检测和BRIEF描述子生成的基本概念，并通过代码演示了ORB特征的提取过程。接着详细介绍了特征匹配的两种主要方法（暴力匹配和FLANN匹配）及OpenCV实现。在运动估计部分，解释了对极几何原理和八点法求解本质矩阵，并提供了相机位姿估计的代码示例。最后简要提及了三角测量原理，为后续3D点云重建奠定基础。全文通过理论与实践结合，为视觉里程计的实现提供了完整的技术路线。

2025-05-30 10:37:31 1467

原创【视觉SLAM基础（一）：视觉传感器与几何基础】

视觉SLAM(Simultaneous Localization and Mapping)是机器人感知领域的重要技术，而相机作为视觉SLAM的核心传感器，其成像原理和相关几何知识是理解整个系统的基石。本文将详细介绍相机成像模型、内外参数、畸变矫正等核心概念，最后还有OpenCV实践。

2025-05-29 10:27:44 1017

原创【SLAM中的点云处理：从基础到实战】

本文分享了SLAM中点云处理的核心技术与实践方法。首先介绍了点云在激光雷达SLAM、三维重建等领域的核心作用，以及四大基础任务（最近邻搜索、几何拟合、滤波降采样、配准与特征提取）。详细讲解了点云数据结构、刚体变换数学表示，以及KD-Tree、RANSAC等关键算法原理与PCL实现。重点解析了滤波（体素网格、离群点去除）、ICP配准、法向量和FPFH特征提取等核心算法，并提供了完整的桌面物体提取实战案例。

2025-05-25 11:32:22 1212

原创【LOAM系列算法原理对比与分析】

本文对比了LOAM、A-LOAM、LeGO-LOAM和LIO-SAM四种SLAM算法在特征提取、位姿估计和优化框架等方面的原理差异。LOAM通过双特征分类和双线程架构实现实时性与精度的平衡；A-LOAM在LOAM基础上进行了工程化优化；LeGO-LOAM引入地面分割和轻量化设计，适用于资源受限场景；LIO-SAM则采用紧耦合多传感器因子图优化，提升了复杂环境下的鲁棒定位能力。这些算法的演进反映了SLAM技术从单一传感器到多传感器融合、从独立处理到紧耦合优化、从纯几何方法到语义辅助的发展趋势。理解这些差异有助

2025-05-23 09:38:45 1175

原创【LIO-SAM 技术深度解析：原理、实现与部署全指南】

LIO-SAM是一种紧耦合的激光-惯性里程计框架，其核心创新在于多因子约束的图优化模型，通过IMU、激光雷达和GPS等传感器的数据融合，实现高精度的定位与建图。系统采用增量平滑和建图（iSAM2）算法进行优化，通过IMU预积分和激光特征提取等前端处理，结合因子图更新和边缘化处理，有效控制误差累积。LIO-SAM在IMU预积分和激光雷达处理方面进行了多项改进，如偏置自适应估计、协方差传播、自适应曲率阈值和多尺度特征提取等，显著提升了系统性能。部署LIO-SAM需要配置ROS Melodic环境，并安装GTSA

2025-05-22 11:43:44 1234

原创【从LOAM到LeGO-LOAM：我的激光SLAM进阶之路】

LeGO-LOAM作为LOAM的轻量化改进版本，在SLAM领域展现了显著的性能提升。本文分享了学习LeGO-LOAM的心得，并对比了LOAM、A-LOAM和LeGO-LOAM的异同。LeGO-LOAM通过地面分割优化、两步优化策略、点云聚类与筛选以及回环检测集成等核心改进，显著降低了内存占用和计算量，提升了特征提取效率和轨迹精度。具体改进包括：地面分割减少处理点数，两步优化提高数值稳定性，点云聚类提升特征匹配准确率，回环检测减少累积误差。工程实践中，参数调优如地面分割阈值和特征点数量的设置对性能有重要影响。

2025-05-21 11:38:56 1061

原创【LOAM与A-LOAM学习笔记：从原理理解到面试准备】

文章主要介绍了激光SLAM中的两个重要算法：LOAM和A-LOAM。LOAM作为经典算法，通过特征提取、双线程架构和运动补偿实现了高效的激光SLAM。A-LOAM则在LOAM的基础上进行了代码结构优化、优化求解改进和畸变校正优化，提升了系统的可读性和运行效率。文章还分享了学习过程中的实践经验，如特征点数量的优化、环境适应性处理等，并整理了常见的面试问题及回答思路。最后，作者建议学习SLAM时应先理解整体框架，再通过实践和可视化分析深化理解，并计划进一步学习LeGO-LOAM。

2025-05-20 16:07:40 1217

原创 2D SLAM算法深度对比：Gmapping与Cartographer的工程实践指南

本文深入探讨了2D SLAM算法Gmapping和Cartographer的优化策略，重点分析了代码层面的改进。Gmapping通过并行化重采样和动态调整阈值，提升了计算效率并适应动态环境变化。Cartographer则通过引入动态分辨率子图和子图缓存机制，解决了内存消耗和计算量过大的问题。这些优化不仅展示了具体代码实现，还详细解释了设计原理和实现考量，为机器人自主导航领域的工程实践提供了有价值的参考。

2025-05-16 11:16:31 921 1