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
incSLAM++是3DV 2017最佳论文,源文件网址 https://sourceforge.net/p/slam-plus-plus/wiki/Home/ incSLAM++有两个创新点:一是增量式Schur补更新。如果delta更新是稀疏的,则采用增量式Schur补来求解非线性最小二乘问题,即增量式BA问题,会缩短计算时间。 求解不同关键帧之间的位姿和每帧上的点即求解增量式BA(解不
0. 简介 自动驾驶中的高精地图对于车辆的定位而言是非常重要的,一般来说高精地图需要耗费大量的时间完成。而随着深度学习的发展,使用深度学习来完成地图的矢量化是非常有用的一个操作。矢量化高精度(HD)地图对于自动驾驶而言至关重要,其为高级感知和规划提供了详细且精确的环境信息。然而,当前的地图矢量化方法经常出现偏差,并且现有的地图矢量化评估指标缺乏足够的灵敏度来检测这些偏差。 为了解决这些限制,《On
0. 简介 对于激光雷达的地面估计分割,目前其实有很多方法做了快速并鲁棒的分割,比如说我们之前写的一篇《经典文献阅读之—FEC》一文中就给出了快速分割的方案,当中第一步就是需要对地面进行分割。而我们这次看的是一篇使用均匀B样条的方法来从LiDAR数据中快速且鲁棒地估计地平面的方法。《Fast and Robust Ground Surface Estimation from LIDAR Measu
步骤一:连接硬件 步骤二:设置电脑IP 步骤三:运行雷达 cd RS_Helios_16P_ws source devel/setup.bash roslaunch rslidar_sdk start.launch 步骤四:查看话题 rostopic list 步骤五:开始录包(这一步是把所有的话题都填上还是只填一个velodyne_points,我这个门外汉也不清楚,只录velodyne_
今天偶然发现了一个优质的运动规划库:ai-winter/ros_motion_planning,比较适合从事ROS移动机器人运动规划研究领域的小伙伴学习和使用,相比于莱斯大学Kavraki实验室提供的开源的著名运动规划库OMPL、或着我之前介绍过的zhm-real开源的zhm-real/MotionPlanning和zhm-real/PathPlanning运动规划库,今天介
本篇文章主要分析,常规的ROS机器人是如何使用Navigation导航包实现实时定位的,定位精度的决定性因素等内容,结构上分为详细介绍、概括总结、深入思考三大部分。 - 一、详细介绍 - 常规的ROS机器人一般都会搭载,轮式里程计(编码器),姿态传感器(IMU)、激光雷达等感知传感器。
0. 简介 一般来说,当系统经过不规则的地形时候,机器人自身会存在激烈运动会导致激光雷达扫描中的运动畸变,从而可能降低状态估计和建图的精度。虽然已经有一些方法用于缓解这种影响,但它们仍然过于简单或计算成本过高,难以应用于资源受限的移动机器人。之前这个团队开发了《经典文献阅读之—DLO》这套方法。该团队在23年又提出了《Direct LiDAR-Inertial Odometry: Lightwei
本文主要介绍ROS中Navigation导航框架中MPC局部路径规划器mpc_local_planner的使用方法,并对源码进行解读,梳理其规划流程等,具体包含MPC模型预测控制算法简介、mpc_local_planner使用方法、mpc_local_planner源码解读与规划流程梳理三部分内容。 - 一、MPC模型预测控制算法简介 -
0. 简介 强化学习在自动驾驶中的应用已经日渐普及,虽然由于一些伦理问题,目前真正的使用这种强化学习的还不是很多,但是目前已经有很多应用在自动驾驶中的强化学习的工作,但是我们发现这类方法基本都是将卷积编码器与策略网络一起训练,然而,这种范式将导致环境表示与下游任务不一致,从而可能导致次优的性能。而《RLAD: Reinforcement Learning from Pixels for Auton
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. OdomNode—DLIO构造函数 OdomNode是一个ROS节点的构造函数,主要用于初始化节点的参数、订阅和发
INS学习01——VINS_Fusion官方教程翻译解读 我爱编程皮肤好好 已于 2022-12-05 17:32:59 修改 1616收藏 21分类专栏: 相机SLAM 文章标签: 学习版权 相机SLAM专栏收录该内容4 篇文章3 订阅订阅专栏1.简介VINS_Fusion 是一个基于优化的多传感器融合定位算法,由港科大开源,在VINS_Mono基础上改进。融合传感器包括:IMU,双目相
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