0. 简介 最近几年IPC相关的文章也出了不少,最近作者有看到了一篇比较有意思的ICP论文—-《Gravity-constrained point cloud registration》,这篇论文将传统的ICP考虑了重力因素,高频率的IMU数据弥补了低频的传感器数据。除此之外,可以从重力向量中获取三自由度姿态中的两个。在视觉里程计中,IMU已经被用来将6自由度位姿估计转换为4自由度。在lidar
对载体准确的姿态估计是实现高精度导航的前提条件。在消费级产品的导航方案中,无人机需要准确确定当前点头角与侧滚角,进而控制系统实现姿态自稳,是无人机安全行驶至关重要的条件;在高精度导航方案中,惯导系统需在静止状态下需经几分钟至几十分钟的初始对准,该过程就是计算IMU当前的姿态角(也叫作失准角),在长时间对准过程中,Kalman滤波器逐渐达到收敛状态。 在GNSS不参与的姿态估计时,更多依赖于IMU
0. 简介 我们在日常使用激光SLAM算法的时候,常常会发现现有的算法只会和一些比较经典或者前作去进行比较,很多时候我们更希望对主流的激光SLAM方法进行性能比较。之前作者转载过一篇文章《常见不同3D激光SLAM方案对比》。但是对比的算法有限。现在瑞典Lule科技大学评估9种最常用的激光SLAM方法。我们下面主要来看一下性能对比部分的内容。 1. 总览所有激光slam 所有SLAM方法,所需
0. 简介 我们知道,在SLAM中,最主要也最关键的就是如何对我们设计出来的非线性问题进行求解,并计算出最优解。而在这个过程中我们用的最多的就是Ceres,之前作者在《SLAM本质剖析-Ceres》。而我们这一篇文章就来讨论一下如何使用Ceres来完成常见的优化。 1. Ceres中点到点的距离残差 下面的部分就是我们最常用的两个点到点的计算公式,其中Eigen_MAKE_ALIGNED_O
一、惯性传感器 1. 惯性传感器指标 加速度计和陀螺仪的实际输出不可避免地存在误差,主要包括零偏误差、比例因子误差、交轴耦合误差和随机噪声等[140]。每一种系统误差又包含常值项、随温度变化项、随机逐次上电启动项和工作期间变化项等。对于高精度传感器,厂家会在出厂前对确定性误差作补偿修正,真正决定测量精度是补偿确定性误差之后的残余误差项,比如上电启动项、工作期间变化项和随机噪声等,厂家会提供详细
首先,递归滤波器与kalman滤波器在原理上有相似之处。递归滤波器表示为下面几步,本质上与kalman滤波的思想是比较相似的。但是卡尔曼滤波所采用的增益是随时间变化逐渐趋近于稳定的,当滤波器收敛之后,理论上系统可以得到状态值的最优后验估计。 首先,定义线性系统表示为: 误差可以表示为: 预测方程表示为: 更新方程表示为: 实际情况下,系统常常是非线性的。假设非线性系统
资料下载-PSINS 枯荣有常 - 知乎 半闲居士 - 知乎 书灌木 - 知乎 任乾 - 知乎 武汉大学多源智能导航实验室 传统导航采用单点导航的方式,定位精度为几米,显然不符合自动驾驶的需求。 现有在自动驾驶中常用的三种导航方案: 传统的组合导航方案+RTK:实现厘米级定位精度; 基于雷达和相机的定位技术比如LIDAR(激光雷达)点云匹配、视觉语义特征匹配:提供绝对的位姿;
0. 简介 在20年DARPA地下挑战赛中CoSTAR队伍提出了LOCUS这个深度学习模块,在两年后LOCUS2.0出世,LOCUS 2.0包括一种新的基于法线的广义迭代最近点(GICP)公式,该公式减少了点云对齐的计算时间,一种自适应体素网格滤波器,无论环境的几何结构如何,都能保持所需的计算负荷,以及一种滑动窗口建图方法,该方法限制了内存消耗。发布了LOCUS 2.0作为一个开放源代码库,具体
凸优化在路径优化中的应用 总体思路 生成凸多边形 构造目标函数 实验效果 注意事项 总体思路 凸优化虽然做为优化中的一个特例,但非常多的工程问题都可以转变为凸优化问题,因此应用需求比较多,被大量学者研究,成果颇丰。由于本文重点在应用,不讲解凸优化,如果感兴趣可以参考书籍《Convex Optimization》。使用凸优化对路径进行优化的过程可以如下:
梯度下降法平滑路径 在实际过程中,为了使机器人能够在环境中流畅地运行,就需要一条平滑的路径,而普通的路径搜索算法Dijkstra、A*、rrt等无法满足要求,在此基础上,可以通过一些优化算法平滑路径,如凸优化的方法,但凸优化的方法构造起来比较麻烦,而且操作性较差(如对路径曲率进行约束),对于太长、障碍物比较多的环境,计算的实时性比较差。本文将使用梯度下降的方法将一条曲折的初始路径优化成平滑的
evo是一款用于视觉里程计和slam问题的轨迹评估工具。核心功能是能够绘制相机的轨迹,或评估估计轨迹与真值的误差。支持多种数据集的轨迹格式(TUM、KITTI、EuRoC MAV、ROS的bag),同时支持这些数据格式之间进行相互转换。在此仅对其基本的绘图功能和ROS map轨迹绘制做简要总结。 官方文档地址: Plotting · MichaelGrupp/evo Wiki · GitHu
CBS多机器人路径规划 单个机器人通过路径规划、运动控制,能够躲避环境中的障碍物,但会面临一个严峻的问题。当一个场景中存在多辆移动机器人时,即使每个机器人都有避障策略,也很容易就会造成道路拥堵、阻塞的情况,而且会随着机器人数量的增加变得更严峻。就像如果道路没有交通指挥系统,人们就会将有些道路挤得水泻不通,形成死锁的局面。为解决此问题,一种基于冲突的多机器人路径搜索方法(Conflict-B
路径优化 目的 五次曲线优化 贝塞尔曲线优化 注意事项 目的 本文将无人机平面路径优化问题做为曲线优化问题,在满足无人机运动学,动力学约束的条件下,尽可能得到一条平滑的路径,分别使用五次曲线优化和贝塞尔曲线优化的方法。 无人机动力学模型可以简化为一个线性模型,如式(1)所示。 因为无人机为线性模型,所以只需要曲线在x xx和y yy方向满足相应的约束即可(加速度
实现原理: 在纯定位时,检测当前Trajectory和之前的Trajectory的匹配状态(约束的匹配情况),对于变化大的子图,在其区域添加新的子图,对于完全变化的区域,移除其子图。 在前端可以写个定时保存功能; 对于原地图和添加子图部分,我选择了对2者进行合并,合并的方式就是先找到原先地图最后submap的index,然后在后面把新增的submap加上去。 定义几个重要变量
Fast Incremental Bundle Adjustment with Covariance Recovery 1. SLAM++ (v2.3) Documentation Online documentation wiki 2. 版本特性 SLAM++ 是增量非线性最小二乘的极简实现,包含在稀疏块矩阵上快速实现线性代数。 它旨在用于 3D 重建或机器人技术。 S
0. 简介 现在的SLAM算法在静态环境中表现良好,但在动态环境中很容易失败。最近的工作将基于深度学习的语义信息引入到SLAM系统以减轻动态对象的影响。然而,在资源受限的机器人的动态环境中应用鲁棒定位仍然具有挑战性。所以《RGB-D Inertial Odometry for a Resource-Restricted Robot in Dynamic Environments》提出了一种用于动
0. 简介 自从ikd-tree出来后,现在越来越多的工作瞄准了增量式这种方法,比如说激光惯导里程计(LIDAR-Inertial Odometry,LIO)的高精度跟踪通常涉及最小化点到平面距离的k最近邻(kNN)搜索,然而,这样做的成本是维护大型局部地图并为每个点执行kNN平面拟合。在《LIO-PPF: Fast LiDAR-Inertial Odometry via Incremental
目录 1.RANSAC原理 2. RANSAC算法步骤: 3. RANSAC源码解析 step one niters最初的值为2000,这就是初始时的RANSAC算法的循环次数,getSubset()函数是从一组对应的序列中随机的选出4组(因为要想计算出一个3X3的矩阵,至少需要4组对应的坐标),m1和m2是我们输入序列,ms1和ms2是随机选出的对应的4组匹配。 参考http
为什么要这么做?因为我们知道,cartographer会在纯定位时,不断增长submap,当周围环境发生变化,且机器人静止时,定位信息会随着imu的偏移不断累积,导致定位错误。 这里给出了其中一个解决方案,就是机器人静止时,不再添加node,方法就是检测机器人前端匹配的结果,当显示机器人距离和角度变化比较小的时候,就不在往后端发送node,前端也传回不增长的active_submap。代码如下:
问题描述: ROS 移动机器人建图后,用Navigation导航包执行 起始位置到 目标位置的路径规划和导航行走的过程中。 机器人导航初始化的时候,刚加载地图,如何让移动机器人执行 全局定位 global localization,把max Nparticles的粒子数量均匀撒在整张地图上? 首先 在navigation的launch文件 amcl.launch 或者类似的文件中增加或修改以下
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