cartographer资源占用分析

简易介绍:通过阅读代码,前端做了很多畸变矫正和多激光传感器数据融合的工作,还有使用CSM或者ceres激光匹配的工作,后端通过分支界定匹配算法进行类似CSM的激光匹配(所以当约束增加时会增加计算量),后端另一个是使用ceres解优化方程(这一部分我感觉资源消耗并不高)。所以我认为优化的方向首先是计算合理的约束关系,再来解决前端计算量(激光频率30Hz时我觉的没有必要做畸变矫正,同时单雷达没有必要使用多传感器融合的方式),最后再来优化ceres解优化方程(感觉几乎不需要优化,可感觉不一定对)。
总结:

分类内容占用比率优化方向
前端激光畸变矫正、多激光数据融合、CSM或ceres激光匹配40%激光不需要去畸变、单激光不需要使用融合方式,有IMU时不使用CSM方式做前端匹配
后端分支界定类似CSM激光匹配45%减少不合理的约束关系,因为每个约束关系需要使用分支界定的激光匹配,这个是占比较大的计算资源
后端ceres优化位姿图方程5%还不知道咋优化,使用因子图?

一般优化后,建图100*100地图,使用i5的低压工控机实际占用比率在2~5%,大地图应该也是一样(因为前端资源一样,后端只要不重复出现同一区域多次也不会上升资源,当然cartographer的作者对于重复出现的场景使用Trimmer删除相似子图来解决这个问题)。

  • 3
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
Cartographer算法结构分析 Cartographer是一种用于实时构建2D和3D地图的算法。它由Google于2016年发布,并已成为许多机器人和自主驾驶汽车制造商的首选算法之一。本文将对Cartographer算法的结构进行分析。 1. 概述 Cartographer算法是一种SLAM(Simultaneous Localization and Mapping)算法,用于建立机器人在未知环境中的位置和环境地图。它使用两个主要组件:前端和后端。前端负责处理机器人的传感器数据,将其转换为地图中的点云数据。后端负责优化地图,以提高其精度和一致性。 2. 前端 前端由两个主要模块组成:传感器数据处理模块和位姿估计模块。 传感器数据处理模块会从机器人的传感器中接收数据,并将其转换为地图中的点云数据。Cartographer支持多种传感器类型,包括激光雷达、相机和惯性测量单元(IMU)。 位姿估计模块使用传感器数据处理模块提供的点云数据,通过匹配当前帧和先前帧之间的特征点,估计机器人的位置和姿态。Cartographer使用了一种特殊的Scan Matcher算法,称为Ceres Scan Matcher,可以在大规模环境中高效地匹配点云数据。 3. 后端 后端由两个主要模块组成:优化器和地图构建器。 优化器使用机器人的轨迹和点云数据,以及机器人的运动模型,通过最小化误差函数来优化地图。误差函数包括机器人的位姿误差、点云数据的匹配误差和传感器的噪声误差等。 地图构建器将优化后的地图数据转换为可视化的地图,以供用户使用。它可以输出2D和3D地图,以及机器人的轨迹和姿态信息。 4. 结论 Cartographer算法是一种高效的SLAM算法,可用于构建机器人在未知环境中的位置和环境地图。它使用了前端和后端两个主要组件,前端负责处理传感器数据和估计机器人的位置和姿态,后端负责优化地图和构建可视化的地图。Cartographer算法在许多机器人和自主驾驶汽车制造商中得到广泛应用,并且是一个值得研究的领域。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

可峰科技

生活不易

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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