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
0x00 为何需要对机器人进行定位? 要想实现移动式机器人的自动导航需要完成以下六点,当然这些信息是我自己总结的仅供大家参考: (1)一张完整的高精度全局地图,机器人需要在该地图下完成自动导航,这是进行自动导航的必要且重要的前提; (2)机器人在地图的哪个位置上,确定机器人当期位姿,用于确定机器人的起始状态; (3)机器人需要到达的目
本节目标:学习gtsam与isam在二位位姿pose2和三维位姿pose3上的使用,并将isam用于位姿的因子图优化。 预期效果:将ICP匹配带来的瞬间位移变成对之前累积误差的消除。蓝色ICP无图优化,紫色ICP后进行图优化。 程序:https://gitee.com/eminbogen/one_liom test_gtsam里有学习 gtsam,isam的四个程序 图优化学习
第一步:TX2安装ROS kinetic http://www.ncnynl.com/archives/201706/1750.html 第二步:安装激光雷达驱动(测试过rplidar、F4) 首先必须给TX2编译内核,才可读取出雷达,编译方法参考 http://m.blog.csdn.net/gzj2013/artic
视觉SLAM学习【3】-----视觉SLAM通过三角测量和PnP法估计特征点的空间位置目录 一、G2O的安装 1、g2o的下载 2、文件上传ubuntu 3、安装依赖库 4、g2o的编译 二、项目创建 1、创建项目文件夹 2、创建三角测量的cpp文件 3、创建PnP法的cpp文件 4、创建CMakeLists.tx
视觉SLAM学习【2】-----ubuntu16.04基于kitti数据集的SLAM中ORB特征点提取及暴力匹配目录 一、Kitti数据集 1、什么是Kitti数据集? 2、Kitti完整数据集的获取 3、Kitti数据集上传至ubuntu 二、编写kitti数据集的ORB特征点的提取及暴力匹配代码 1、创建cpp格式文件
视觉SLAM学习【1】----基于ubuntu16.04的SLAM中ORB特征点提取及暴力匹配目录 一、ORB特征点提取及暴力匹配定义 1、什么是ORB特征点提取? 2、什么是暴力匹配? 二、进行相关数据准备 1、拍摄图像 2、特征点提取、匹配的文件夹创建 3、在创建的文件夹中新建cpp文件 4
目前为止, 我们都旨在构建一个能够自主运行的机器人,这个就研究方向更加合理的名词应该叫自主移动机器人. 推荐一本个人觉得很不错的书 Ronald C. Arkin - 2011- Introduction to Autonomous Mobile Robots. 本文的主要目的是先把框架搭起来, 采用原型模式, 然后在此基础上循环的进行深化, 望能够起到抛砖引玉的作用. Pa
SLAM:同时定位和建图(Simultaneous Localization and Mapping)。 机器人从未知环境中的未知地点出发,在运动过程中通过重复观测到的地图特征(比如,墙角,柱子等)定位自身位置和姿态,再根据自身位置增量式的构建地图,从而达到同时定位和地图构建的目的。 一般传感器:激光雷达,相机(单目,双目,RGBD,事件)
1、GPS定位 GPS卫星在空中连续发送带有时间和位置信息的无线电信号,供GPS接收机接收。由于传输的距离因素,接收机接收到信号的时刻要比卫星发送信号的时刻延迟,通常称之为时延,因此,也可以通过时延来确定距离。卫星和接收机同时产生同样的伪随机码,一旦两个码实现时间同步,接收机便能测定时延;将时延乘上光速,便能得到距离。由于尚未对因“卫星时钟与接收机时钟同步误差”等影响加以改正,在所测距离中包含着
文章目录 GridCells概述 OccupancyGrid使用注意事项 创建工程 在Rviz中实时现实栅格地图 结束语 GridCells概述 GridCells是另外一种创建栅格地图的方法,与nav_msgs::OccupancyGrid栅格地图不同的是: 1.GridCells栅格地图使用(x,y,z)表示被占用
本系列文章主要介绍基于A*算法的路径规划的实现,并使用MATLAB进行仿真演示。本文作为本系列的第三篇文章主要对前两篇文章总结以及对前文中的 A * 算法进行进一步的优化处理 本系列文章链接: ----------------------------------------------------------------------------- 详细介绍用MATLAB实现基于 A *
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