多传感器融合（2）——点云地图构建及基于地图的定位

最新推荐文章于 2024-06-24 13:57:30 发布
最新推荐文章于 2024-06-24 13:57:30 发布
阅读量923 收藏 6
点赞数
分类专栏： 多传感器融合 文章标签： slam 定位 传感器
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_51326570/article/details/118485892
版权
本文探讨了基于点云的地图建立过程，重点介绍了回环检测的重要性。通过调用Scancontext和detectLoopClosureID函数，实现实时点云保存及回环帧检测，从而提升定位精度。在后端优化中，回环检测是关键的一环。
摘要由CSDN通过智能技术生成

回环检测

后端优化

点云地图的建立



​​​​​​​基于地图的定位

Scancontext回环方法的调用：

实际上使用的是下面两个函数：

实时保存当前帧点云，用于回环匹配

sc_manager_.ScancontextAndKeys(*scan_cloud_ptr);

 回环帧检测函数，没有检测到返回-1，检测到回环帧返回对应帧的索引。

sc_manager_.detectLoopClosureID()

 调用回环检测：

 

然后在相应的hpp文件中加入对应的函数即可（待更新）

英雄小摔哥
关注
专栏目录
机器学习笔记 - 同步定位与地图构建 (SLAM)
学以致用 知行合一
03-18 3869
SLAM(simultaneous localization and mapping)，也称为CML (Concurrent Mapping and Localization), 即时定位与地图构建，或并发建图与定位。 视觉 SLAM 不涉及任何特定的算法或软件。它指的是确定传感器相对于其周围环境的位置和方向的过程，同时映射该传感器周围的环境。 SLAM 并不是真正的一种技术产品或单一系统。 相反，同时定位和映射是一个更广泛的概念，具有近乎无限的可变性。许多不同算法可以应用到SLAM......
点云从入门到精通技术详解100篇-融合二维图像特征的三维点云语义分割
getusushu的博客
09-10 403
像数据在物体边缘部分往往存在特征“突变”现象，且往往具有丰富、清晰的纹理信息，接着，通过设计合理的融合机制实现图像与点云特征空间的融合。特征的提取，再借助合适的中间数据将图像与点云的高维度特征融合至同一特征空间中，不同的融合特征将用于生成不同类型的成果，如：物体识别框的生成、语义掩膜的生成、确空间结构信息的优势互补，以提升现有三维空间感知手段的性能。又恰好对应彼此的劣势，图像数据的维度限制了表达三维信息的能力，而点云也因数据。图像与点云信息融合机制的相关研究逐渐增加，希望在空间感知技术上让两种数据形成。
多传感器融合定位（2-点云地图构建及基于地图定位）2-后端优化与点云地图构建
weixin_41281151的博客
10-21 1055
多传感器融合定位（2-点云地图构建及基于地图定位）2-后端优化与点云地图构建 后端优化 点云地图的建立
多传感器融合——第二章 点云地图构建及基于地图的定位
weixin_46417419的博客
10-19 943
Iq图对应的是一个二维的东西，我们需要将每一个列进行合并，此时进行Iq和Ic进行匹配的时候，只需要比较对应的数值，同时维度也降低了，对信息将维，会失去准确性，此时我们就需要在切割点的周围寻找更合适的切割点，又需要在切割后的小范围内进行高纬度的切割，进而达到减少计算量的同时提高准确性。下图是车在同一位置，但是在不同的朝向上得到的地图，由纯旋转导致的，为了提高相似度，我们需要对第一个图进行切割，但是切割的位置如何确定？RTK/组合导航的作用是为了消除重影。匹配的策略：线或者面。
基于Autoware的点云建图、定位与巡线：精简代码与界面操作，配置好环境，轻松跑通仿真，用Autoware为基础的点云建图、定位与巡线系统的移植与优化
最新发布
caTeERQaF的博客
06-24 366
Pure Pursuit是一种常用的路径跟踪算法，通过计算车辆到目标路径的最近点，并根据车辆的动力学参数和控制算法，实现车辆的巡线行驶。基于Autoware的代码实现了Pure Pursuit巡线行驶功能，能够根据预先设置的路径，实现车辆的自主导航和行驶。通过配置好相应的环境，并运行仿真，基于Autoware的代码能够实现点云建图、定位和巡线等功能的完整流程。基于Autoware的代码实现了NDT定位功能，能够实时准确地估计车辆的位置，并提供相应的定位误差信息。基于autoware的点云建图，定位，巡线。
基于已知点云地图的NDT的激光SLAM定位
xiaojinger_123的博客
07-14 6859
概述 对于L4级自动驾驶系统而言，定位模块通常会融合GNSS、IMU、轮速计（车辆底盘）、摄像头以及激光雷达odometry多种测量，使用滤波算法（EKF、UKF等）以获得平滑、厘米级别的绝对定位，其中基于高精度点云地图和激光雷达的配准定位（Lidar Odometry）因其精度高、可靠性好，在整个融合定位中通常占很大的权重，是自动驾驶定位系统中相对可靠的“绝对定位”数据来源。 依据网上已开源的算法框架以及各位大佬们的经验分享，本文demo为ROS系统下，基于建图算法（SC-LEGO-LOAM）+点云匹配算
用Autoware为基础的点云建图、定位与巡线系统的移植与优化
SBtaetAtQtjd的博客
05-08 373
Pure Pursuit是一种常用的路径跟踪算法，通过计算车辆到目标路径的最近点，并根据车辆的动力学参数和控制算法，实现车辆的巡线行驶。基于Autoware的代码实现了Pure Pursuit巡线行驶功能，能够根据预先设置的路径，实现车辆的自主导航和行驶。通过配置好相应的环境，并运行仿真，基于Autoware的代码能够实现点云建图、定位和巡线等功能的完整流程。基于Autoware的代码实现了NDT定位功能，能够实时准确地估计车辆的位置，并提供相应的定位误差信息。基于autoware的点云建图，定位，巡线。
融合定位学习--构建点云地图
weixin_44081378的博客
05-31 737
src/lidar_localization/slam_data/map 和 src/lidar_localization/slam_data/scan_context目录下。打开lidar_localization/config/scan_context文件夹，输入如下命令，生成pb文件。头文件放到lidar_localization/models/scan_context_manager/源文件放到src/models/scan_context_manager/从100s播放bag。
多传感器融合定位五-点云地图构建及定位
泠山的博客
12-20 2104
前面做出了一个比较好的里程计，但是在实际项目使用的时候，都是基于地图的。原因如下：建图流程如下： 目前比较可靠的方法还是ICP和NDT两个比较基础的方法（小范围可以使用里程计确定是不是在之前帧周边，大范围就需要用到GPS了）。 论文：Scan Context: Egocentric Spatial Descriptor for Place Recognition within 3D Point Cloud Map 基本思想为，将一圈点云分成很多的扇形，每个扇形在纵向上再切割成小段。三维点云展开，就成了二维
深度干货：详解基于视觉+惯性传感器的空间定位方法
雷锋网
11-22 4610
导语：本次讲座的主题是基于视觉+惯性传感器的空间定位方法，前半部分是基于视觉的定位方法，以前和学校及研究机构做得比较多。后半部分介绍惯性传感器在定位中的应用。 在今年的Oculus Connect大会上，扎克伯格公布了一款正在开发的VR一体机产品——Santa Cruz。细看报道你会发现，这款产品除了将计算单元都集成到头盔中，还在前面增加了4颗摄像头。这些
ICLR2023 | 阿卜杜拉国王科技大学最新发布，3D表示新网络：多视图+点云！
3D视觉工坊
08-04 327
作者：HT | 来源：3D视觉工坊在公众号「3D视觉工坊」后台，回复「原论文」即可获取论文pdf。添加微信：dddvisiona，备注：SLAM，拉你入群。文末附行业细分群。多视图投影方法在 3D 分类和分割等 3D 理解任务上表现出了良好的性能。然而，目前尚不清楚如何将这种多视图方法与广泛使用的 3D 点云相结合。人类视觉系统更接近于使用多个视角的间接方法来理解3D物体，而不是直接处理3D数据...
点云从入门到精通技术详解100篇-基于语义 SLAM 的点云融合
getusushu的博客
10-12 259
不过单目相机也有缺陷，仅提供环境中的纹理数据并且不可以准确的掌握环境的图像数据，检测计算对整张图片进行了测量，并采用回归的方法直观得出了目标类的概率大小和位置，智能化带来的方便的同时，对智能化程度深化的要求不断增加。器人提供环境中目标相对准确的空间信息，但不能提供更高层次的包含物体类别的语义信。并行执行的方法，提高任务进行速率，效果也有较大提高。视觉感应器，通过从未知环境中移动物体来收集周围环境的图形特征，从而获得物体的特。点，把有特点的物体组合形成了一种空间地图，并通过描述移动机器人周围的自然环境来。
从零开始学自动驾驶（10）——基于地图的定位
weixin_51326570的博客
07-05 536
对应任佬代码tag14.0 一、概述： 1、由于地图比较大，所以加载地图之后需要做一个滤波 2、由于匹配需要初始位置，所以要做初始化 3、地图比较大，直接匹配比较耗时，只要匹配附近的点云就可以，所以需要从大地图中分割出一个小地图 4、每次移动都要分割出小地图，所以小地图适当做的大一些，当车辆快要离开小地图时在重新分割。 1、数据的接收与发布： std::shared_ptr<MatchingFlow> matching_flow_ptr = std::make_shared&lt
点云地图投影-2
qq_30271635的博客
10-07 584
节点图和效果，可以看见这个通过点云栅格滤波问题还是比较严重,voxel filter node放在了：https://github.com/306327680/ros_voxel_filter
深蓝学院 《多传感器融合定位》 第2章作业
Jevin-L的博客
11-17 3855
1. 闭环修正及精度评价 提供的工程框架中已经给出了闭环的流程和实现,但是是基于ICP的,这是在已知粗略位姿情况下的实现方式。在未知粗略位姿情况下,闭环检测的实现难度会加大。要求使用前面讲过的scan context,实现此功能。并和已有的图优化功能完成对接,实现修正。并最终给出修正前后的轨迹精度对比。 2. 位姿初始化 提供的工程框架中已经给出了位姿初始化功能,但是是在起始位置的,并且是基于已知粗略位姿的。要求实现地图中任意位置的位姿初始化,可以从三种难度等级中任选一种,难度越高,得分越高。 ...
SC-Lego-LOAM解析（下）
handily_1的博客
09-02 1277
sc-lego-loam回环检测部分
Scan Context 学习记录
春至冬去
04-25 2797
Scan Context 学习记录 知乎上看到一篇有关scan context的文章，感觉内容不错，便进行了学习与转载，文章链接附在最后 scan context 是一篇论文中提出的，通过激光点云做场景识别或者定位，当然也可以用来做闭环检测。定位，通常是在历史帧中找到与搜索帧pose最接近的一帧，当然这只用到了pose。如果用点云去做匹配，找到最相似的那一帧点云，怎么做呢，直接3d-3d匹配是可以的，但是不够快。那么降维，把3D点云变成二维，然后去匹配。scan context的做法就是从3D点云上空俯视，
5 MATLAB点云处理技巧：点云合并与融合
目标检测专栏持续更新中，改进YOLO系列通用，适用v5、v7、v8、所有博客均是团队原创博客，所有文章禁止转载，违者必究。
10-11 786
当需要处理多个点云数据集时，点云的合并和融合变得至关重要。本文将深入探讨如何使用MATLAB进行点云合并与融合，提供详细的步骤、示例代码和实际案例，以帮助您充分了解这一关键点云处理技术。点云合并和融合是将来自不同传感器或时间戳的多个点云数据集合并为一个完整的点云的过程。点云融合是将多个点云数据集融合成一个单一点云的过程，通常需要进行点云配准。MATLAB点云处理工具箱是一个强大的工具集，用于点云数据的导入、可视化、处理和分析。点云合并和融合是点云处理中的关键任务，对于多个点云数据集的处理至关重要。
基于激光雷达构建高精度点云地图及其感知定位
热门推荐
qq_21001471的博客
03-31 1万+
目前，前期大多数自动驾驶公司采用高精度惯导（imu+gnss+rtk）来实现高精度定位，但存在应用场景缺陷，无法应用隧道、高楼、林阴路等非开阔场景。所以感知定位方式应运而生，感知定位方式大多分为两种：视觉定位、激光雷达定位，本文将采用激光雷达定位方式。 硬件 现在市面上激光雷达很多种：velodyne、速腾、禾赛、北科天绘。低成本考虑，本文将采用velodyne vlp-16...
评论
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