前言:该篇是ROS学习记录的第二篇,如果还没关注过之前文章的读者,如有需要可以通过下方传送门去看之前的文章: ROS学习记录(一) Plugin插件 这两天关注了古月老师的公众号,看到了其中一篇课程推荐: 好课推荐|《如何在Gazebo中实现阿克曼转向车的仿真》课程优惠中 (qq.com) 寻思着过段时间实验室买的新车是基于阿克曼转向的,而之前学的ROS小车导航定位等算法大多都是基于两轮差
引言 之前一直想写一篇关于ROS机器人建图与导航仿真全过程的教程,终于有时间来做这个事啦,本人也拿过吉林省高校机器人大赛——ROS竞速组的冠军,第十六届全国智能车比赛——讯飞餐厅组线上赛二等奖,我想这个教程对接下来的一些参赛者多多少少也会有一些贡献。当然我觉得你已经会ROS的一些基本操作了,本文章只是简单扼要的介绍这个过程,其中细节部分难免可能不会太详细还请见谅,当人后续也会有更多
0. 简介 boost作为C++中最常用的第三方库,很多SLAMer都在使用Geometry中的库。Geometry库里面拥有大量的开源算法。可以省去大量的重复造轮子的时间。虽然有《Boost程序库完全开发指南》这系列的书来学习Boost中的时间与日期、内存管理、工具类、字符串与文本处理、正确性测试、容器与数据结构、数学与数字、操作系统相关、回调函数、并发编程、设计模式这11个主要的部分。但是G
0. 简介 之前我们立了一个Flag,就是要对R3LIVE进行详细的分析,当时就提到R3LIVE作为一个非常经典的文章,和LVI-SAM一样都是一种激光—惯性—视觉结合的SLAM算法。对于R3LIVE而言结构还是挺清晰的,比如IMU,相机,激光雷达三个传感器分别的作用。下面我们来梳理一下整个R3LIVE算法的流程以及代码理解。 1. 前言 我们先来看一下代码多少钱一两博主绘制的节点与话题的绘
本文接上一篇:A星算法优化(三)搜索邻域 B站视频讲解:https://www.bilibili.com/video/BV1jS4y1K7qG?spm_id_from=333.999.0.0 如果有帮助,请三连支持,创作不易,禁止白嫖谢谢~ 将从以下5个点进行改进:1、启发函数——曼哈顿距离等2、权重系数——动态加权等3、搜索邻域——基于8邻域搜索改进4、搜索策略——双向搜索
本文接上一篇:A星算法优化(二)权重系数 B站视频讲解:改进A星算法(四)搜索邻域 如果有帮助,请三连支持,创作不易,禁止白嫖谢谢~ 将从以下5个点进行改进:1、启发函数——曼哈顿距离等2、权重系数——动态加权等3、搜索邻域——基于8邻域搜索改进4、搜索策略——双向搜索、JPS策略等5、路径平滑处理——贝塞尔曲线、B样条曲线等 搜索邻域改进 对get_motion
本文接上一篇:A星算法优化(一)启发函数B站详解视频:https://www.bilibili.com/video/BV1EF411W7Rw?spm_id_from=333.999.0.0将从以下5个点进行改进:1、启发函数——曼哈顿距离等2、权重系数——动态加权等3、搜索邻域——基于8邻域搜索改进4、搜索策略——双向搜索、JPS策略等5、路径平滑处理——贝塞尔曲线、B样条曲线等 权重系
基于Python语言对A星算法进行优化:(视频中会拿python与matlab作对比) 源码地址:https://github.com/Grizi-ju/ros_program/blob/main/path_planning/Astar.pyB站详解视频:https://www.bilibili.com/video/BV1FL4y1M7PM?spm_id_from=333.999.0.0基于开
0. 简介 上一节我们将while内部的IKD-Tree部分全部讲完,下面将是最后一部分,关于后端优化更新的部分。 1. 迭代更新 最后一块主要做的就是,拿当前帧与IKD-Tree建立的地图算出的残差,然后去计算更新自己的位置,并将更新后的结果通过map_incremental函数插入到由ikd-Tree表示的映射中。 // 外参,旋转矩阵转欧拉角 V3D ext
0. 简介 激光雷达作为自动驾驶中最常用的传感器之一,由于其深度感知特性优良,这也让以激光SLAM为主的SLAM方法被广泛应用。但是我们发现在人员密集,车辆密集的场景经常会造成点云定位效果不佳,而这些情况传统滤波方法是没有办法解决的。本篇将主要围绕着深度学习的方法来讲述激光雷达分割的问题。 1. SLAM配准与建图 无论哪种点云配准方式(点到点/点到特征/点到栅格/NDT),都是基于静态假设
参考链接:https://blog.csdn.net/renyushuai900/article/details/98460758论文链接:http://isl.ecst.csuchico.edu/DOCS/darpa2005/DARPA%202005%20Stanley.pdfGithub链接:https://github.com/chanchanchan97/ROS 1. 算法简介
参考链接:https://zhuanlan.zhihu.com/p/48117381Github链接:https://github.com/chanchanchan97/ROS 1. 算法简介 单车模型(Bicycle Model)实际上是对阿克曼转向几何的一个简化,使用单车模型需做如下假设: 不考虑车辆在Z轴方向的运动,只考虑XY水平面的运动; 左右侧车轮转角一致,这样可
横向控制 | 路径信息及可视化 内容列表 1. 全局路径的读取 2. 局部路径和历史路径的更新 3. 路径可视化 Github链接: https://github.com/chanchanchan97/ROS 1. 全局路径的读取 waypoint_loader.py文件的功能是读取.csv文件中的路径点信息,并发布消息waypoints和base_path,其中wa
0. 简介 我们在之前的博客中讨论了一些激光回环检测的方法,但是基本都是围绕着点云特征去做的,并未涉足过深度学习的相关方法,之前作者在查找《经典文献阅读之—BoW3D》资料时看到了一个比较感兴趣的工作《OverlapNet: Loop Closing for LiDAR-based SLAM》,同时这个文章还拥有对应的开源源码Github,非常适合复现以及学习。 1. 工作重心 同时定位和映
0. 简介 上一节我们将主函数部分while外面的部分给讲完了,下面我们将深入while来学习里面的知识 1. 主函数while内部的eskf前馈 这部分是我们while内部前面的部分,内部的操作在前面几节中我们已经详细分析过了。 while (status) { // 如果有中断产生,则结束主循环 if (flg_exit)
功能包简介: 功能包名称:LiDAR_IMU_Init github地址:https://github.com/hku-mars/LiDAR_IMU_Init 效果展示b站地址:https://www.bilibili.com/video/BV1ZS4y127mW?spm_id_from=333.337.search-card.all.click 功能包简介:LiDAR_IMU_Init
项目介绍 论文:《The Perfect Match: 3D Point Cloud Matching with Smoothed Densities》 论文链接:https://arxiv.org/abs/1811.06879 Github 链接:https://github.com/zgojcic/3DSmoothNet 系统环境 在 AutoDL 上租用的服务器的环境:
内容列表 写在前面 论文解析 代码注释 exploration_with_graph_planner.cpp graph_planner.cpp drrtp_node.cpp 先验 dual_state_graph.cpp drrtp.cpp drrt.cpp dual_state_frontier.cpp grid.cpp 写在前
前言 LIO-SAM的全称是:Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping 从全称上可以看出,该算法是一个紧耦合的雷达惯导里程计(Tightly-coupled Lidar Inertial Odometry),借助的手段就是利用GT-SAM库中的方法。 LIO-SAM 提出了一个利用GT-SAM的紧耦合激
关于amcl amcl的英文全称是adaptive Monte Carlo localization,其实就是蒙特卡洛定位方法的一种升级版,使用自适应的KLD方法来更新粒子,这里不再多说(主要我也不熟),有兴趣的可以去看:KLD。而mcl(蒙特卡洛定位)法使用的是粒子滤波的方法来进行定位的。而粒子滤波很粗浅的说就是一开始在地图空间很均匀的撒一把粒子,然后通过获取机器人的motion来移动粒子,比
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