首先假设读者是了解基础VSLAM,了解VIO基础(至少要会标定,调过几个开源系统的) 先说一下双目的VINS-FUSION,大部分问题都是基线造成的问题,简单点说就是如果使用较短的基线如5cm(Real sense)和常规的14cm,在大场景(如空间广阔,特征分布远近不一的大户外场景)中失去尺度是比较正常的,室内一般纹 理比较好的区域相对单目还是比较稳定的,尤其是可以静止初始
在ROS中发布导航命令有三种方式(但其实本质上都是话题发送) 一、使用Rviz进行导航 最常见的导航是在Rviz中实现的导航,通过2D Nav Goal可以设置导航目标点,但实际上2D Nav Goal会操作三个话题均有输出: /move_base/current_goal /move_base/goal /move_base_simple/goal Rviz中导航操作的主要话题
环境:ROS(melodic) + PCL1.9 源码如下: #include<ros/ros.h> #include<pcl/point_cloud.h> #include<pcl_conversions/pcl_conversions.h> #include<sensor_msgs/PointCloud2.h> #include<
0. 简介 视觉位置识别是一个非常重要也非常有趣的工作,本质上都可以归类为构建图像数据库+查询图像检索的过程。现在的主要问题是,很多识别算法都是针对特定环境进行的,换一个环境很可能直接就挂掉了。一个真正通用的位置识别算法需要做到的是:任何地点(无缝地运行在任何环境中,包括空中、地下和水下),任何时间(对场景中的时间变化,如昼夜或季节变化,或对临时物体具有鲁棒性),以及跨任何视角(对视角变化具有鲁棒
0. 简介 局部几何信息即法线和点分布在基于激光雷达的同时定位与地图构建(SLAM)中是至关重要,因为它为数据关联提供了约束,进一步确定了优化方向,最终影响姿态的准确性。然而即使在使用KD树或体素图的辅助下,估计法线和点分布也是耗时的任务。为了实现快速法线估计,《LOG-LIO: A LiDAR-Inertial Odometry with Efficient Local Geometric In
0. 简介 使用神经网络来匹配2D公开地图的做法是一个很有趣的方法,人们可以使用简单的2D地图在3D环境中指明自己所处的位置,而大部分视觉定位算法则依赖于昂贵的、难以构建和维护的3D点云地图。为了弥合这一差距《OrienterNet: Visual Localization in 2D Public Maps with Neural Matching》提出了第一个能够在人类经常使用的语义2D地图中
0. 简介 深度神经网络在各项任务中均展现出卓越的性能,但是它们缺乏鲁棒性、可靠性以及过于自信的倾向,这给它们在自动驾驶等安全关键应用中的部署带来挑战。在这方面,量化模型预测所固有的不确定性是解决这些缺陷的有希望的努力方向。在《U-CE: Uncertainty-aware Cross-Entropy for Semantic Segmentation》中提出了一种新型的不确定性感知交叉熵损失(U
0. 简介 之前了解了很多BEV的相关操作,但是基本上要么是激光和视觉结合,要么是纯视觉完成的2D激光投影这两种,而那种3D Occupancy方法可以利用栅格的方法完成纯视觉占据栅格的生成。《VoxFormer: Sparse Voxel Transformer for Camera-based 3D Semantic Scene Completion》就是这种方法对于被遮挡的物体和场景,人们可
一. 在ubuntu下使用kalibr标定 在Realsense官网上librealsense现在D405只接受ROS2下的环境(相机确实很新) 在ROS1下我想到了改设备ID号的方式进行标定 这里需要注意librealsense以及realsense_ros的版本对应问题,一定要注意这点不然后面roslaunch会报错 D405没有IMU所以标定会简单一些 这里我的librealsen
入口 该模块的启动是通过融合模块的dag文件而启动的,在Apollo/modules/perception/production/launch中,并没有单独启动radar的launch文件或者单独启动的dag文件。其具体路径为:Apollo/modules/perception/production/dag/dag_streaming_perception.dag launch文件用来启动,d
0. 简介 对于NDT而言,相信各位应该都有所了解了,但是作为高精地图来说性能还需要进一步提升,为此《Towards High-Definition Maps: a Framework Leveraging Semantic Segmentation to Improve NDT Map Compression and Descriptivity》一文提出了一种利用语义分割提高NDT地图压缩和描述
前言 览沃科技有限公司(Livox)成立于2016年。为了革新激光雷达行业,Livox致力于提供高性能、低成本的激光雷达传感器。通过降低使用门槛和生产成本,Livox将激光雷达技术集成到更多产品和应用之中,从而为自动驾驶、智慧城市、测绘、移动机器人等行业带来创新性改变。Livox产品已销往包括美国、加拿大、中国、日本和欧盟在内的 26 个国家和地区。 面向智能移动机器人市场,Livox 推出最新一
前言 Faster-LIO是基于FastLIO2开发的。FastLIO2是开源LIO中比较优秀的一个,前端用了增量的kdtree(ikd-tree),后端用了迭代ESKF(IEKF),流程短,计算快。Faster-LIO则把ikd-tree替换成了iVox,顺带优化了一些代码逻辑,实现了更快的LIO。在典型的32线激光雷达中可以取得100-200Hz左右的计算频率,在固态雷达中甚至可以达到1000
0. 简介 自动代驾泊车(AVP)是自动驾驶技术的一个很有前景的应用,其旨在使车辆自行导航并自动停车到目标位置。高清地图在AVP中发挥着关键作用,因为它可以以厘米级的精度提供目标停车场的先验信息。相较于开放道路场景来说,RTK其实可以起到比较关键的作用,但是比如在底下停车场这类结构比较单一,且没有GPS的场景,lidar在地下停车场容易沿垂直方向向上漂移,导致建图结果不佳。具体原因是当入射角较大时
上篇【PX4 教程(二)】介绍了如何在 Gazebo 仿真中给 PX4 无人机添加 Livox 激光雷达,这篇博客详细介绍如何使用 FAST-LIO 对采集到的点云进行建图。 简介 Livox激光雷达使用FAST-LIO算法是一个先进的技术组合,用于实现高效和精确的同时定位与地图构建(SLAM)。 以下是关于Livox激光雷达和FAST-LIO算法结合使用的详细介绍: Livox 激光雷达 技
0. 简介 我们刚刚了解过DLIO的整个流程,我们发现相比于Point-LIO而言,这个方法更适合我们去学习理解,同时官方给出的结果来看DLIO的结果明显好于现在的主流方法,当然指的一提的是,这个DLIO是必须需要六轴IMU的,所以如果没有IMU的画,那只有DLO可以使用了。 1. computeMetrics、computeSpaciousness、computeSpaciousness—计算
0. 简介 我们刚刚了解过DLIO的整个流程,我们发现相比于Point-LIO而言,这个方法更适合我们去学习理解,同时官方给出的结果来看DLIO的结果明显好于现在的主流方法,当然指的一提的是,这个DLIO是必须需要六轴IMU的,所以如果没有IMU的画,那只有DLO可以使用了。 1. initializeDLIO—初始化参数 这段代码非常简单,主要作用是等待IMU数据的接收和校准,如果条件不满足则
前言 livox mid360 在官网一直没有货,在gazebo里可以仿真该雷达形式的点云(前面的博客介绍了如何在gazebo中实现对livox各型号雷达的仿真)。 但是其只发布雷达的数据,没有imu数据,实际的雷达是可以发布既有雷达也有imu的数据的 运行 FAST-LIO2 也需要雷达和惯导的数据 本篇博客在gazebo中搭建了一个有livox mid360 和惯导的平台,并成功运行了FAST
通过gazebo对 livox mid360 激光雷达进行仿真 livox 介绍 览沃科技有限公司(Livox)成立于2016年。为了革新激光雷达行业,Livox致力于提供高性能、低成本的激光雷达传感器。通过降低使用门槛和生产成本,Livox将激光雷达技术集成到更多产品和应用之中,从而为自动驾驶、智慧城市、测绘、移动机器人等行业带来创新性改变。Livox产品已销往包括美国、加拿大、中国、日本和欧盟
LI-Init是一种鲁棒、实时的激光雷达惯性系统初始化方法。该方法可校准激光雷达与IMU之间的时间偏移量和外部参数,以及重力矢量和IMU偏差。我们的方法不需要任何目标或额外的传感器,特定的结构化环境,先前的环境点图或初始值的外在和时间偏移。 功能包安装 需要环境要求:Ubuntu >= 18.04.ROS >= MelodicPCL >= 1.8Eigen >= 3.3.4
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信