0. 简介 在机器人领域,点云已经成为一种必不可少的地图表示方式。从定位和全局路径规划等下游任务的角度来看,动态对象对应的点会对其性能产生不利影响。现有的点云动态点去除方法在对比评价和综合分析方面往往缺乏明确性。因此,《A Dynamic Points Removal Benchmark in Point Cloud Maps》提出了一个易于扩展的统一基准测试框架,用于评估地图中动态点的移除技术
0. 简介 现有很多LiDAR里程计都依赖于某种形式的ICP估计帧间位姿,例如CT-ICP, LOAM等。现有的系统设计需要对机器人的运动(CT-ICP)和环境的结构(LeGO-LOAM)有一些特定的假设。而且几乎没有系统能够不需要调参(例如特征提取、面特征拟合、法向量估计、畸变矫正)就能用于不同的场景、不同的LiDAR、不同的运动模式、以及不同种类的机器人。为此《KISS-ICP: In De
0. 简介 最近激光SLAM的新工作真的是越来越多了,而大多数当前的激光SLAM系统都是在点云中构建地图,即使在人眼看来是稠密的,但当放大时,点云是稀疏的。稠密地图对于机器人应用至关重要,例如基于地图的导航。由于内存成本低,近年来,网格已成为一种有吸引力的稠密建图模型。《Real-time LiDAR Simultaneous Localization and Meshing》提出了第一个仅使用
BEVDepth: Acquisition of Reliable Depth for Multi-view 3D Object Detection论文精读摘要(Abstract·)本文工作:提出BEVDepth 在这项研究中,我们提出了一种新的三维物体检测器,它具有可靠的深度估计,称为BEVDepth,用于基于摄像机的鸟瞰(camera-based BEV)三维物体检测。 现有方法: 深
论文精读摘要(Abstract)背景介绍:二维的目标检测算法启发我们去寻找一个高效可用的三维目标检测算法自动驾驶通过感知周围环境来做出决定,这是视觉领域中最复杂的场景之一。范式创新在解决二维目标检测中的成功激励着我们去寻找一个简练的、可行的、可扩展的范例,从根本上推动该领域的性能边界。 主要工作:重用2D目标检测的框架,主要改进点在于 1. 构造一个专属的数据扩充策略 2. 升级NMS方法。为了
0. 简介 作为一个SLAMer来说,整个SLAM过程可以分为预处理(包含相机、激光的畸变去除,以及IMU的预积分都属于这部分操作),前端优化(这部分主要做的就是帧间匹配【scan-to-scan】,帧与地图匹配【scan-to-submap】,划窗优化,提取关键帧),后端优化(回环检测,后端地图优化)这些步骤。而上面这些我已经讲了很多了,比如划窗优化这块也是给出了对应的代码,我们这里将从cer
一、编译运行lidar_align这个标定文件得出的是:IMU到Lidar的外参 1.1 下载地址github链接:链接: https://github.com/ethz-asl/lidar_align 1.2 编译将源码放在src下,进行编译: catkin_make 1.2.1 nlopt问题解决出现如下问题: 解决办法:安装nlopt,但最新的(2.6.2) libnl
LSS: Lift, Splat, Shoot: Encoding Images from Arbitrary Camera Rigs by Implicitly Unprojecting to 3D 文章目录 LSS: Lift, Splat, Shoot: Encoding Images from Arbitrary Camera Rigs by Implicitly Unprojec
0. 简介 对于视觉而言,想要获得比较精细的地图信息,这离不开地图的三维重建。三维重建(3D Reconstruction)的定义就是,从一堆二维图像中恢复物体的三维结构,并进行渲染,最终在计算机中进行客观世界的虚拟现实的表达。一般的步骤如下 输入无序图像 Unstructured Images 图像对齐(Assoc.),筛选图像,构建场景图(也称为连接图)。 稀疏
一、相机标定原理 1.1 成像过程现实物体在相机中的成像过程离不开世界坐标系、相机坐标系、图像坐标系以及像素坐标系,只有理解了这些才能对获取的图像进行准确的分析。 成像过程: 四个坐标系如下图所示: 世界坐标系(world coordinate system):现实世界的三维坐标系,是现实世界的物理模型,单位为m。 相机坐标系(camera coordinate system):
OFT: Orthographic Feature Transform for Monocular 3D Object Detection 文章目录 OFT: Orthographic Feature Transform for Monocular 3D Object Detection 论文精读 摘要(Abstract) 1. 介绍(Introduction) 2.
0. 简介 我们之前经常接触的是使用激光雷达和惯性测量单元(IMU)的互补信息,但是实际使用的过程中IMU如果发生剧烈的颠簸,有可能会导致IMU失效。在广泛使用的迭代最近点(ICP)算法只能为姿态提供约束,而速度只能由IMU预积分进行约束。因此,速度估计倾向于随着姿态结果而更新。最近有一篇博客介绍了将雷达,imu,里程计融合的办法《LIW-OAM: Lidar-Inertial-Wheel Od
CaDNN: Categorical Depth Distribution Network for Monocular 3D Object Detection 文章目录 CaDNN: Categorical Depth Distribution Network for Monocular 3D Object Detection 论文精读 摘要(Abstract) 1. 介
0. 简介 之前我们在之前的博客中说了很多关于如何通过帧与地图匹配完成重定位,从而完成位置识别的。同时也有一篇专门用于介绍重定位的博客《定位解析与思考》。目前基于LiDAR的位置识别方法通常是基于无序点或距离像等点云的表示。这些方法实现了很高的检索召回率,但在视图变化或场景变化的情况下,它们的性能可能会下降。而《BEVPlace: Learning LiDAR-based Place Recog
算法简介 首先,让我们回顾一下A算法的基本原理。A算法使用了一个启发式函数(heuristic function)来评估每个节点的代价,并选择代价最小的节点进行扩展。这个启发式函数通常是从当前节点到目标节点的估计代价,也被称为启发式估计(heuristic estimate)。A*算法同时使用了已经走过的路径的实际代价(g(n))和启发式估计(h(n))来评估节点的总代价(f(n) = g(n)
BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird’s-Eye View Representation 文章目录 BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird’s-Eye View Representation 论文精读 摘要(Abs
一、编译并运行LIO-SAM参考我的另一篇文章:Ubuntu20.04下的编译与运行LIO-SAM【问题解决】二、代码修改因为liosam 要求输入的点云每个点都有ring 信息和相对时间time信息,目前的雷达驱动基本具备这些信息,但是早期的KITTI数据集不具备,所以代码要自己计算一下 ring和time。方法可以参考lego-loam中这部分内容,具体修改如下。1、cloud_info.ms
BEVDet: High-Performance Multi-Camera 3D Object Detection in Bird-Eye-View 文章目录 BEVDet: High-Performance Multi-Camera 3D Object Detection in Bird-Eye-View 论文精读 摘要(Abstract) 1. 简介(Introd
一种Floyd算法(弗洛伊德算法)的C++实现 Floyd算法又称为插点法,是一种利用动态规划的思想寻找给定的加权图中多源点之间最短路径的算法。 本文给出一种Floyd算法的C++实现。 此算法支持点和边的动态输入,并提供接口说明 1 数据结构 无向图的存储结构使用邻接矩阵。每条边的权值为这条边上两点之间的距离。 int** d = NULL; //二维数组,存储任意两点最短路径的权值
一、引言 1、本博文主要讲具体的实车调试的配置过程。2、底盘是松灵的底盘,已经提供了ros接口,只需要发布cmd_vel话题给相应的速度和角速度的值就可以控制其移动,所以我们只需要关注move_base包的输入,以及如何给定位信息即可。 二、整体思路与流程 1、tf_tree的搭建(1)tf_tree可以理解为各个坐标系之间的变换关系,一个最基本的tf_tree为map->odom-&
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