目录 一、旋转运动学 1.1 线速度与角速度 1.2 旋转坐标系下的运动学 二、IMU 测量模型及运动模型 2.1 MEMS(Micro-electromechanical Systems微电子机械系统) 加速度计工作原理 2.2 MEMS(Micro-electromechanical Systems微电子机械系统) 陀螺仪测量原理 三、IMU 误差模型 3.1 误差分类 3
cartographer概述 cartographerr是google推出的一套基于图优化的SLAM算法 原文:W. Hess, D. Kohler, H. Rapp, and D. Andor, Real-Time Loop Closure in 2D LIDAR SLAM, in Robotics and Automation (ICRA), 2016 IEEE International C
2020年得第一篇博客,真是好长时间没发博客,这半年里毕业到一家v2x公司之后比较忙,不发博客内心是比较着急,总觉得没记录点啥。年底了,写点东西吧,不然csdn恐怕要取消我博客专家的评级了。 接下俩我分两章介绍一下文章,小编手里有两个传感器,6个激光雷达与摄像头,还有一个微波摄像头,分别装在一个路口的不同地方,需要将这些传感器进行融合输出目标列表。如图: 安装如图: 第一篇讲解如何进行通信,后
此示例演示了如何在高速公路驾驶场景中规划局部轨迹。 本示例使用参考路径和障碍物动态列表来生成自我车辆的替代轨迹。 自我车辆从DrivingScenario对象浏览提供的驾驶场景中定义的交通。 车辆会根据成本,可行性和无碰撞运动在自适应巡航控制,车道变更和车辆跟随操纵之间进行切换。 使用工具:matlab2020b 负载驾驶方案 首先加载提供的DrivingScenario对象,该对象定义当前工作
描述 关于A_算法的一些实现,我已经写在了我的博客里。这里也贴出链接来,大家可以去看[移动机器人路径规划算法及思考——A_算法](https://www.guyuehome.com/32775 “移动机器人路径规划算法及思考——A*算法”) 这篇我主要使用C++来实现了一下,发在这里,有一些代码写的还是不太优,以后会花些时间来优化的。 代码 代码分为三个文件,main.cpp,AStar.h头文件
在上一篇中对 LOAM-Livox 算法做了整体的总结。 最后给出了 算法的整体框图 如下: 本篇主要对LOAM-Livox 算法进行 前端处理 和 迭代位姿优化 的 总结 1 前端处理 LOAM-Livox 算法 的 前端 处理 也就是红框的部分 主要包含两个环节 good points 选取 特征点提取 1.1 good points 选取 考虑到激
0x00 什么是仿真实验 在没有真实物理实体实验设备的情况下,通过在计算机上用软件模拟真实设备运行的效果,这就叫做软件仿真实验,用软件仿真是一条可行性高、测试成本低、实验效率高的一条路。就拿ROS小车的避障策略设计 来说,如果我们设计了一个避障策略想要实验一下效果如何的话,一般都需要先做一个真实的ROS小车,这样就需要花费不少的钱。当在真实的小车
在自动驾驶领域,激光里程计和建图(LOAM)已经起到重要的作用,归因于它可以在定位机器人的位姿的同时建立周围环境的高精度、高分辨率的地图。 算法简介 算法名称:Loam_livox 针对 FoV 较小的 激光雷达的 一种快速、鲁棒性强、高精度雷达里程计和建图 算法 传统的LOAM算法对应的是传统的机械雷达,对于小FoV和非重复式雷达,直接应用的话效果会不理想。 Loam_livox 在LO
目录 一、VIO(Visual-Inertial Odometry)概述 1.1 IMU概述 1.2 IMU 与视觉定位方案优势与劣势对比: 1.3 IMU 数据可与多种定位方案融合 1.3.1 松耦合 1.3.2 紧耦合 二、预备知识 2.1 数学符号约定 2.2 三维刚体运动 2.3 四元数
大概流程走完,其实还是有点懵逼的,下面就官方文档,讨论下细节,要是我自己没注意到的点。 Validate your bag 如果是准备跑自己的或者别人的bag包,这一步是很有必要的,可以从中获得相关消息的topic和frame_id,这个在填写lua文件和launch 文件的topic重映射时可以用到。 首先要在工作目录 source 下,然后执行命令: source devel_
0x00 What's STDR Simulator? STDR是Simple Two Dimentional Robot Simulator的缩写,它可以非常容易的对在二维平面移动的机器人进行仿真,STDR的设计目的不是为了像Gazebo那样的大型逼真的机器人仿真或者一个功能最全面、功能强大的仿真器,这款软件的目的是为了尽可能的简单的去模拟单
首先,根据不同的雷达,了解雷达发布的点云消息。(IMU也是一样,了解IMU发布的点云topic)。 本文使用的是Robosense 16线激光雷达,暂时未使用IMU(建议6轴,再加上GPS定位精度会高很多)发布PointCloud2类型的消息默认的topic为rslidar_points。 主要步骤分为:配置URDF文件 —》配置.lua文件—》配置launch文件 上述三个文件分别在cart
前言 前段时间说到小编手里有两个传感器,6个激光雷达与摄像头,还有一个微波摄像头,分别装在一个路口的不同地方,需要将这些传感器进行融合输出目标列表。但是要做到融合首先第一步就是标定,做空间同步,第二是时间同步。 接下来我以激光雷达与摄像头为例,其中激光雷达首先需要做目标检测,多目标追踪输出的为目标结构化数据(此知识算法不在此处延申,大家可查查激光
LOAM-Livox是针对livox-LiDAR的一个激光里程计和建图(LOAM)的功能包 Loam-Livox是一个适用于 Livox LiDAR 强大的、低漂移实时的里程计和建图功能包 Livox LiDAR 是专为大量工业用途而设计的低成本,高性能LiDAR。 功能包解决了许多关键问题,特征提取和在有限FOV下提取,强大的异常值排除,运动物体过滤,运动失真补偿。 此集成了其他功能,例如可并行
这里放了一个小强机器人的bag和我自己的bag包,以供大家测试。 链接:https://pan.baidu.com/s/1GF5FNFIKiRV3wbmBH3HwWQ 提取码:668d 前提: 1.需要三维激光启动节点,发布/points2(后面需要remap); 2.需要IMU发布imu 的相关消息 ,发布/imu(这里是我自己写的)。 注意3D需要rosbag record 记录上
之前为了提升svo的鲁棒性,进行了一些不同的尝试,虽然稳定性有所提升,两个视频demo在下面,但依然不尽人意。 效果1 (svo基础上添加了edgelet feature) 代码已放在github上,欢迎修改,共同学习改进。 视频链接: https://v.qq.com/x/page/d0383rpx3ap.html 在不同数据集上测试 &
0.前言 昨天看了关于SLAM的综述文章一篇,对于其中提到的SIFT,SURF,ORB三种特征提取匹配的方法,非常想要实践学习其Python的编写方法。同时我爸让我帮他写一个树莓派(raspberry pi)检测黑点的程序,黑点有什么好检测的(╯•̀ὤ•́)╯,考虑到神经网络识别计算复杂度过高,我决定用模板匹配法去做。 1.程序汇总 链接: https://pan.bai
首先了解在导航堆中,move_base包与其它包(如amcl、map_server)的关系,如图所示 在move_base节点运行前需要四个配置文件,这些文件定义了一系列相关参数,包括越过障碍物的代价、机器人的半径、路径规划时需要考虑未来多长的路、我们想让机器人以多块的速度移动等等。这四个配置文件分别是: base_local_planner_params.yaml cos
0x00 为何需要路径规划? 现在我们已经可以构建当前环境地图,可以实现机器人在当前地图中的定位。那接下来就可以在地图上给定目标点,开始规划路径控制机器人移动过去,这样就可以完成在已知地图中进行自动导航的任务了。在已知地图中进行路径规划可以举一个很形象的例子,大家在公园里游玩时,经常需要找特定的游玩地点。例如想要寻找熊猫馆,那么就需要在公园提供的游览地图中首先找自己的定位
0x00 什么是costmap代价地图 在机器人进行路径规划时,我们需要明白规划算法是依靠什么在地图上来计算出来一条路径的。依靠的是gmapping扫描构建的一张环境全局地图,但是仅仅依靠一张原始的全局地图是不行的。因为这张地图是静态的,无法随时来更新地图上的障碍物信息。在现实环境中,总会有各种无法预料到的新障碍物出现在当前地图中,或者旧的障碍物现在已经从环境地图中被移除
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