- 博客(24)
- 收藏
- 关注
RSS订阅原创 Photo-Slam
这篇论文提出了Photo-SLAM，一个创新的框架，解决了现有方法在可扩展性和计算资源限制方面的问题，同时实现了精确的定位和在线的逼真地图构建。该系统维护了一个“超原语地图”，由存储ORB特征的点云、旋转、缩放、密度和球谐系数组成。通过使用因子图求解器优化跟踪，并通过计算原始图像与渲染图像之间的损失来学习相应的映射。虽然引入了3D高斯散射渲染器来降低视图重建成本，但它并不能在单目场景下实现高保真的在线增量地图构建。为了在不依赖密集深度信息的情况下实现高质量的映射，论文提出了一种。
2024-09-03 14:09:16
834
原创 复现Gaussian Splatting SLAM
自己安了一个双系统因为在wsl2上实验失败了（问题1,2,3,4,5）在实验室的服务器上实验失败了（问题：无法可视化）最后安装双系统然后根据上面的做法做下来就成功了注意！！因为MonoGS比较新，所以很多出现的问题没办法在网络上找到可以尝试在论文开源的代码下面，找到issue，然后看看里面有没有跟你一样的问题，如果找不到问题所在，可以直接在里面发布自己的问题，问作者，作者会回答的！！！最后的配置：cuda11.8。
2024-03-21 17:34:27
1495
原创 最新发布！室内SLAM回环新思路！
SLAM回环依赖可靠的位置识别进行全局定位，目前像ORB-SLAM3这类主流方法主要是依赖BoW词袋匹配。但是深度学习也可以做位置识别，通常将其视为一个检索问题，首先从局部特征创建全局描述符，并将其与已知地点描述符的数据库进行匹配。室外位置识别已经被广泛研究，但是室内位置识别的相关研究还较少，主要是因为室内位置有很多相似结构和外观。今天笔者为大家分享一篇室内位置识别的最新开源方案AEGIS-Net，相较于其他学习方案可以实现很好的位置识别。下面一起来阅读一下这项工作~
2024-01-08 14:27:05
874
原创 骨架机器人P5——预添加跟踪模块
所以接下来应该就是要在 navigation2-main\nav2_bt_navigator\src\navigators中模仿navigate_to_pose.cpp写一个navigate_follow_point的导航器。可能也可以把这个行为树加入到navigate_to_pose或navigate_through_poses之中。
2024-01-08 00:16:43
1274
原创 骨架机器人P4——行为树demo
tick是从树的根节点（或起点）到其子节点的信号，敦促它们执行任务。节点仅在收到即时报价时“采取行动”。或。根据这些状态，导演决定将下一个即时报价发送到何处。这是一个持续到任务完成或不再有效的循环。行为树由两种主要类型的节点组成：控制流节点和节点。让我们更深入地了解它们。：这就像一个严格的助手，他要求每个任务都必须完美地完成，顺序，然后才能继续下一个任务。如果任何任务失败，序列将停止并报告失败。这是一个更灵活的助手，他有一个任务列表并逐个尝试，直到一个成功。
2024-01-07 13:30:23
1154
1
原创 骨架机器人P3——ESAC骨架机器人
1、安装ROS22、使用包管理器安装 Nav2 包3、安装 Turtlebot 3 软件包（TurtleBot3是一个教育和研究用途的小型机器人平台，它使用ROS作为其软件框架）
2023-12-14 16:22:32
139
1
原创 骨架机器人P2——Nav2落地前总结
Nav2使用行为树调用模块化服务器来完成一个动作。动作可以是计算路径、控制力、恢复或任何其他与导航相关的操作。这些都是通过ROS Action服务器与行为树 (BT) 通信的独立节点。下图可以让你对Nav2的架构有一个很好的初步了解。
2023-12-12 22:17:44
211
原创 复旦最新提出！革命性的LiDAR SLAM统一架构
我们提出了一种基于深度学习的LiDAR SLAM框架，称为DeepPointMap（DPM）。该框架包括两个神经网络：DPM编码器和DPM解码器。与其他神经描述符方法不同的是，DPM描述符可以统一地用于SLAM任务的多个子任务，具有出色的定位精度、内存效率、地图保真度和实时处理能力。DeepPointMap在定位精度、地图重建质量和内存消耗方面取得了新的最优结果。此外，该框架还在多智能体协作SLAM方面展示了其灵活性和潜力。
2023-12-11 00:27:40
330
1
原创 UIUC&北大最新工作Radarize：室内环境大规模雷达SLAM
该论文的主要目标在于解决现有雷达SLAM存在的问题，并提出了名为"Radarize"的解决方案，试图改进现有雷达SLAM的性能。Radarize针对现有雷达SLAM存在的问题提出了解决方案：1.低纹理场景的误匹配问题： 在低纹理场景下，目前的雷达SLAM可能存在当前帧与较远帧的误匹配问题，Radarize试图解决这个问题。2.IMU和雷达的融合和校准问题： IMU在恒速模式下噪声较大，而IMU和雷达的外参标定、时间同步等操作比较困难。Radarize尝试解决IMU与雷达数据的融合问题。3.伪影问题。
2023-12-10 14:49:31
81
1
原创 MIT&CMU实现高速SLAM与实时3D渲染的全新方法——注释版
以下文章来源于，作者韩立，读者根据文章内容以及相应论文添加自己的理解进行注释。以下文章来源于，作者韩立，读者根据文章内容以及相应论文添加自己的理解进行注释。以下文章来源于，作者韩立，读者根据文章内容以及相应论文添加自己的理解进行注释。
2023-12-07 23:52:22
586
原创 骨架机器人P1——配置Nav2的需求记录
TF2 设置确保正确设置了各个坐标系之间的变换关系，比如和。这些变换关系通过 ROS 的消息系统发布，通常需要依赖不同的 ROS 包如 AMCL、robot_localization 等。URDF 文件设置创建并设置统一机器人描述格式（URDF）文件，描述机器人的结构、连接关系和传感器信息。使用机器人状态发布器（Robot State Publisher）自动发布 URDF 中定义的各种变换，如传感器到基座的变换等。机器人的测距系统 odom => base_link 设置。
2023-12-07 16:35:06
285
原创 Nav2插件教程（没完
对于不使用ROS 2动作接口的BT动作节点，指的是那些不需要使用ROS 2中的动作通信机制来执行远程服务器任务的行为树动作节点。当使用其他类型的BT节点（如装饰器、控制、条件）时，请使用相应的BT节点，如BT::DecoratorNode、BT::ControlNode或BT::ConditionNode。在我们的示例中，`nav2_gradient_costmap_plugin::GradientLayer` 插件的类应该动态加载为 `nav2_costmap_2d::Layer` 基本类。
2023-12-04 21:08:47
158
原创 Nav2通用教程-4
为了选择相邻障碍物的群组，该算法执行它们的分割。通过结合相机和IMU的数据，VIO可以提供更准确的运动估计，特别是在传统里程计（比如轮式编码器）无法提供准确数据的情况下，比如在复杂环境中或者特殊机器人结构下的导航中。在教程后期我们称之为节点的“调色板”（Groot作为一个行为树编辑和可视化工具，需要获取关于这些行为树节点的列表，以及有关这些节点的重要元数据，例如它们的类型、端口或参数等信息。我们将向我们的配置文件中添加一个新的odom字段，即odom1，以将VIO的位置和方向融入到我们的滤波器中。
2023-12-02 20:03:59
565
原创 Nav2行为树
这里需要注意的是，“MonitorAndFollowPath”是一个“ReactiveSequence”节点，因此在“FollowPath”节点再次被触发之前，“PathLongerOnApproach”节点需要返回“SUCCESS”。可能更明智的做法是使用具有指定算法的条件节点在不同的子树上下文中创建不同的子树。在这个特定的行为树中，监视分支专门由“PathLongerOnApproach”行为树节点使用，用于检查全局规划器是否决定在机器人接近用户指定的目标接近区域时为其规划了明显更长的路径。
2023-11-29 00:35:57
459
1
原创 Nav2通用教程-3
我们提供了以上的说明，假设你想在自己的机器人上运行 SLAM，该机器人会有独立的模拟/机器人接口和导航启动文件，而这些文件在 `tb3_simulation_launch.py` 中合并，方便进行简单测试。它提到如果你只想在 Turtlebot3 起步沙盒环境中进行 SLAM，可以使用 `tb3_simulation_launch.py` 这个启动文件，并将其中的 `slam` 配置设置为 `true`，这样就能直接启动 SLAM，而不必单独启动机器人接口、导航和 SLAM。启动你选择的 SLAM 实现。
2023-11-26 15:14:46
578
1
原创 Nav2首次机器人设置指南-3
例如，NavFn 规划器并不能保证为在狭窄空间中的非圆形机器人规划出可行路径，因为它使用机器人的圆形足迹（通过近似机器人的最大横截面半径）并检查每个代价地图网格单元的碰撞。机器人状态发布者发布了在sam_bot的URDF中定义的 base_link => sensors 的变换，而Gazebo的差分驱动插件发布了 odom => base_link 的变换。总结一下，这些服务器承载了一个或多个算法插件的地图，根据你的机器人结构和环境选择相应的插件。，具有可配置的插件来计算机器人的控制指令。
2023-11-25 17:17:09
310
原创 Nav2首次机器人设置指南-2
最后，我们还设置了深度相机的其他基本配置属性。同时，它还会启动 Gazebo，作为我们的物理模拟器，并且会提供 odom => base_link 的变换，这是我们在上一篇指南“使用 Gazebo 模拟里程计系统”中添加到 sam_bot 的差分驱动插件的输出。它将使用在/demo/Imu上发布的sensor_msgs/Imu消息和在/demo/odom上发布的nav_msgs/Odometry消息，然后在odometry/filtered、accel/filtered和/tf主题上发布数据。
2023-11-24 21:05:14
223
1
原创 Nav2首次机器人设置指南-1
0这部分指南内容是从 ROS（1）导航文档中的“使用 tf 设置机器人”教程中改编而来。这个例子描述了一个简单的机器人，它有一个移动底座，底座顶部安装有一个单一的激光传感器。机器人有两个定义好的坐标系：一个对应于机器人移动底座的中心点，另一个对应于安装在底座顶部的激光的中心点。我们将附着在移动底座上的坐标系称为 base_link，将附着在激光上的坐标系称为 base_laser。需要注意的是，在接下来的部分中我们将更多地讨论这些坐标系的命名和约定。
2023-11-23 16:07:35
169
原创 Nav2概述
Nav2是ROS Navigation Stack的专业支持版，借助于自动驾驶车辆使用的技术，并经过优化和重新设计，专门用于移动和表面机器人。它不仅可以从A点移动到B点，还可以具有中间姿势，并代表其他类型的任务，如目标跟随、完整覆盖导航等。等功能，以构建高度可靠的自主系统。这将从传感器数据进行环境建模，动态路径规划，计算电机速度，避免障碍物，表示语义区域和对象，并构建更高级别的机器人行为。要了解更多关于此项目的信息，如相关项目、使用的机器人、与ROS1的比较以及维护者，请参阅关于和联系。
2023-11-20 14:06:51
276
原创 Ubuntu22.04复现NeRF_SLAM
这是一个结合单目稠密SLAM和层次化体素神经辐射场的3D场景重建算法，能实时地用图像序列实现准确的辐射场构建，并且不需要位姿或深度输入。论文的核心思想是，使用一个单目稠密SLAM方法来估计相机位姿和稠密深度图以及它们的不确定度，用上述信息作为监督信号来训练NeRF场景表征。
2023-10-24 11:47:55
800
2
原创 Ubuntu18.04运行NeRF
这是一个结合单目稠密SLAM和层次化体素神经辐射场的3D场景重建算法，能实时地用图像序列实现准确的辐射场构建，并且不需要位姿或深度输入。论文的核心思想是，使用一个单目稠密SLAM方法来估计相机位姿和稠密深度图以及它们的不确定度，用上述信息作为监督信号来训练NeRF场景表征。参考【位姿估计_代码_开源复现】 在Ubuntu20.04安装并运行NeRF-SLAM-CSDN博客。
2023-10-23 09:48:44
389
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人