LIO-GVM: An Accurate, Tightly-Coupled Lidar-Inertial Odometry With Gaussian Voxel Map论文地址:https://arxiv.org/pdf/2306.17436v2 一、文章概述 1.问题导向 一般的点云地图存储形式在处理非常大的目标地图时会影响实时性能。为了解决这个问题,一些系统选择用基于哈希的体素来管理目标地图
LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping论文地址:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9341176代码地址:https://github.com/TixiaoShan/LIO-SAM 一、文章概述 1.问
Point-LIO: Robust High-Bandwidth LiDAR-Inertial Odometry论文地址:https://onlinelibrary.wiley.com/doi/full/10.1002/aisy.202200459代码:https://github.com/hku-mars/Point-LIO 一、 文章概述 1. 问题导向 应用于导航任务的 LiDAR 传感器的
VoxelMap++: Mergeable Voxel Mapping Method for Online LiDAR(-Inertial) Odometry论文地址:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=10321658代码地址:https://github.com/hku-mars/VoxelMap 一、 文章
Efficient and Probabilistic Adaptive Voxel Mapping for Accurate Online LiDAR Odometry论文地址:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9813516代码:https://github.com/hku-mars/VoxelMap视频:
Pixel-Level Extrinsic Self Calibration of High Resolution LiDAR and Camera in Targetless Environments论文地址:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9495137代码:https://github.com/hku-
知识点得逻辑关系如下 引言 非线性问题由于复杂的数学结构,多样的解空间,局部极值等问题求解难度大大增加。所以在求解时需要把非线性问题转化为更容易处理的形式,例如 数值优化方法:数值优化方法包括梯度下降、共轭梯度法、牛顿法、拟牛顿法等。这些方法可以用于求解非线性优化问题,例如最小化损失函数、拟合非线性模型等。 迭代法:迭代法通过不断迭代更新来逼近非线性问题的解。例如,迭代法可以用于求解非线性方程组
LiDAR Odometry Methodologies for Autonomous Driving: A Survey论文地址:https://arxiv.longhoe.net/abs/2109.06120 一、文章概述 摘要车辆里程计是自动驾驶系统的重要组成部分,因为它可以计算车辆的位置和方向。在全球导航卫星系统(GNSS)信号微弱和噪声较大的城市地区,里程仪模块的需求和影响更高。传统的
Fast-lio2原理解析见链接https://blog.csdn.net/HUASHUDEYANJING/article/details/139180096?spm=1001.2014.3001.5501注释版代码完整版见https://github.com/huashu996/Fast-lio2-Supernote本代码解析以算法流程的逻辑解析代码,一些简单的函数忽略讲解。 一、误差迭代更新
Fast-lio2原理解析见链接https://blog.csdn.net/HUASHUDEYANJING/article/details/139180096?spm=1001.2014.3001.5501注释版代码完整版见https://github.com/huashu996/Fast-lio2-Supernote本代码解析以算法流程的逻辑解析代码,一些简单的函数忽略讲解。 一、iKD-Tre
Fast-lio2原理解析见链接https://blog.csdn.net/HUASHUDEYANJING/article/details/139180096?spm=1001.2014.3001.5501注释版代码完整版见https://github.com/huashu996/Fast-lio2-Supernote本代码解析以算法流程的逻辑解析代码,一些简单的函数忽略讲解。 一、初始化卡尔曼滤
FASTLIO2-代码整体框架Fast-lio2原理解析见链接https://blog.csdn.net/HUASHUDEYANJING/article/details/139180096?spm=1001.2014.3001.5501注释版代码完整版见https://github.com/huashu996/Fast-lio2-Supernote本节对代码的整体框架进行解析,将代码与论文中的公式
A Survey of Simultaneous Localization and Mapping with an Envision in 6G Wireless Networks 论文地址: https://whubaichuan.github.io/data/JoGPS_v17_Issue2.pdf#page=75 单位:武汉大学、新加坡南洋理工 一、文章概述 摘要 同步定位与建图(S
一、IESKF结构 参数配置/设置状态变量 struct Options { Options() = default; /// IEKF配置 int num_iterations_ = 3; // 迭代次数 double quit_eps_ = 1e-3; // 终止迭代的dx大小 /// IMU 测量与零偏参数 do
一、松耦合与紧耦合 1.1松耦合(Loosely Coupled) 在松耦合系统中,将传感器的算法看成黑箱,只考虑输出,不考虑内在性质。松耦合的方法是分别处理来自LiDAR和IMU的数据,然后在高层次上进行融合。具体来说:1.独立处理:LiDAR和IMU的数据分别被独立处理。LiDAR提供位置和环境特征信息,而IMU提供短时间内的姿态和运动信息。2.融合层:独立处理后的数据在高层次的融合层进行结合
本节参照高博大佬的书《自动驾驶与机器人中的SLAM技术》代码地址https://github.com/gaoxiang12/slam_in_autonomous_driving/tree/master/src/ch3 一、状态方程建立 1.定义状态变量 在误差状态卡尔曼滤波器中,真值等于名义状态变量+误差状态变量首先定义状态变量。p为平移,v为速度,R为旋转,b_g,b_a为零偏,g为重力,状态变
激光雷达SLAM算法综述单位:陆军工程大学doi:10.3778/j.issn.1002-8331.2308-0455激光雷达SLAM算法综述单位:陆军工程大学doi:10.3778/j.issn.1002-8331.2308-0455 一、文章概述 1.1 摘 要 即时定位与地图构建(simultaneous localization and mapping,SLAM)是自主移动机器人和自动驾驶
激光即时定位与建图算法综述 论文地址:DOI:10.16526/j.cnki.11-4762/tp.2024.03.001 一、文章概述 摘要激光即时定位与建图 (SLAM)算法是一种在机器人导航和自主驾驶领域被广泛应用的技术;该技术可以利用激光雷达扫描环境并提取特征点,实现机器人的自主定位和地图构建;针对机器人激光SLAM 技术进行研究,分析了各个激光 SLAM算法的基本原理,并且对主流SLAM
上一节,介绍了卡尔曼滤波的基本原理,但在SLAM中却使用ESKF,让我们一起看看具体的原因是什么吧 一、误差卡尔曼滤波器ESKF(Error State Kalman Filter) 1.1动机 在常规的卡尔曼滤波器中,需要假定系统的状态服从高斯分布,这要求系统的状态是定义在向量空间中,满足向量空间中的运算法则。但SLAM中的一些状态变量是位于流形长的,例如旋转矩阵、四元数、和李群。直接在欧几里得
一、卡尔曼滤波简介KF 卡尔曼滤波器(Kalman Filter)是一种用于估计动态系统状态的递归算法。它通过结合系统的动态模型和噪声观测数据,提供对系统状态的最优估计。卡尔曼滤波器广泛应用于信号处理、控制系统、导航、计算机视觉等领域。卡尔曼滤波器基于线性系统模型,假设系统的动态过程和观测过程都受到高斯噪声的影响。滤波器在两个主要步骤之间交替进行:预测(Prediction):根据系统的动态模型,
从这节开始,进入到LIO章节,LIO具有更高的鲁棒性、精度、实时性、环境适应性和成本效益,快来学习一下吧 一、IMU能干什么 惯性测量单元(Inertial measurement unit,IMU),是测量物体三轴姿态角以及加速度的装置。IMU通常包含陀螺仪 (Gyroscope)、加速度计 (Accelermeters),有的还包含磁力计(Magnetometers)。陀螺仪用来测量三轴的角度
KISS-ICP: In Defense of Point-to-Point ICP Simple, Accurate, and Robust Registration If Done the Right Way论文地址:https://ieeexplore.ieee.org/document/10015694/代码:https://github.com/PRBonn/kiss-icp 一、文章概
Lego_Loam包括了Image projection、Feature association、MapOptmization、Transform Fusion四个部分,下面博主将按照算法的逻辑顺序对代码中的重要函数进行讲解。本节是解析MapOptmization文件和Transform Fusion文件。该专栏的其他章节链接如下https://blog.csdn.net/HUASHUDEYANJ
A Survey on 3D Gaussian Splatting论文:https://arxiv.org/abs/2401.03890 一、文章概述 1.问题导向 基于图像的3D场景重建时机器理解现实世界环境复杂性的基础,促进了3D 建模和动画、机器人导航、历史保存、增强/虚拟现实和自动驾驶等广泛应用。3D 高斯抛雪球被视为下一代3D重建和表示的潜在游戏规则改变者,开辟了大量的应用程序,具有巨大
论文地址:https://arxiv.org/abs/2308.04079项目:https://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/代码:git clone https://github.com/graphdeco-inria/gaussian-splatting —recursive 一、文章概述 1.问题导向 辐射场:辐射场是三维
论文:https://arxiv.org/abs/2003.08934TensorFlow代码:https://github.com/bmild/nerfPyToch代码:https://github.com/yenchenlin/nerf-pytorch 一、文章概述 1.问题导向 从新视点生成照片级真实感输出需要正确处理复杂的几何体和材质反射比属性。目前还没有一种方法可以生成照片级的场景渲染,
Lego_Loam包括了Image projection、Feature association、MapOptmization、Transform Fusion四个部分,下面博主将按照算法的逻辑顺序对代码中的重要函数进行讲解。本节是解析Feature association文件中的特征匹配部分。该专栏的其他章节链接如下https://blog.csdn.net/HUASHUDEYANJING/ar
Lego_Loam包括了Image projection、Feature association、MapOptmization、Transform Fusion四个部分,下面博主将按照算法的逻辑顺序对代码中的重要函数进行讲解。本节是解析Feature association文件。该专栏的其他章节链接如下https://blog.csdn.net/HUASHUDEYANJING/article/de
分享一些智能感知干货和论文解读
积分
粉丝
勋章
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