weixin_53805189的博客

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~

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）

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。

添加的注释仅供参考，博主个人学习使用。如有侵权，请联系我删除！！

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。

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。

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。

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。