Pangolin是对OpenGL进行封装的轻量级的OpenGL输入/输出和视频显示的库。可以用于3D视觉和3D导航的视觉图,可以输入各种类型的视频、并且可以保留视频和输入数据用于debug. 可以在https://github.com/stevenlovegrove/Pangolin上下载Pangolin,终端使用如下的指令也OK: git clone https://github.com/s
在学习高博的slam时,用的是slambook2-master这个新仓库,在ch5/stereo这个工程运行时,做了一些更改; 工程包括如下内容(其中build是自己创建的)根据安装依赖库的路径,对CMakeLists.txt做了些更改,更改后的内容如下: find_package(Pangolin REQUIRED) find_package(OpenCV 3.0 REQUIRED)
前言 预积分:是一种十分常见的IMU数据处理方法。 与传统的IMU运动学积分不同,预积分可以将一段时间内的IMU测量数据累积,建立预积分测量,同时还能保证测量值与状态变量无关。 如果以吃饭来比喻的话,ESKF像是一口口地吃菜,而预积分则是从锅里先把菜一块块夹到碗里,再把碗里的菜一口气吃掉。 无论是LIO系统还是VIO系统,预积分已经称为诸多紧耦合IMU系统的标准方法。 在ESKF中,将两个GNS
0. 简介 将SLAM应用于机器人应用中,可靠性和效率是两个最受重视的特性。本文《Light-LOAM: A Lightweight LiDAR Odometry and Mapping based on Graph-Matching》考虑在计算能力有限的平台上实现可靠的基于激光雷达的SLAM功能。首先与大多数选择点云配准的显著特征的方法相反,我们提出了一种非显著特征选择策略,以提高可靠性和鲁棒性
0. 简介 多激光雷达与相机外参标定对于机器人和自动驾驶领域来说是非常关键的,特别是对于固态LiDAR而言,其中每个LiDAR单元的视场(Field-of-View,FoV)非常小,通常需要集体使用多个单元。大多数外部标定方法是针对360°机械旋转LiDAR提出的,其中假设视场与其他LiDAR或相机传感器重叠。很少有研究工作专注于小FoV LiDAR和相机的标定,也没有关注标定速度的提高。在《Ta
1. IMU基本原理 惯性测量单元(Inertial Measurement Unit,简称 IMU)一般由3轴加速度计和3轴陀螺仪组成。加速度计为力传感器,可根据各方向受力(包含重力)情况计算每个轴上的加速度。陀螺仪为角速度检测仪,可根据每个轴上的角加速度得到各个轴上的角度变化。惯导解算主要是通过加速度计测得的载体加速度和陀螺仪测得的载体相对于导航坐标系的角速度,来对载体的位置、 姿态
0. 简介 精确且长期稳定的定位对于停车场内的行车任务,如自动驾驶或自动代客泊车等,至关重要。现有方法依赖于固定且内存效率低下的地图,缺乏强大的数据关联方法,不适用于精确的定位或长期地图维护。《LESS-Map: Lightweight and Evolving Semantic Map in Parking Lots for Long-term Self-Localization》一文提出了一种
0. 简介 在众多机器人应用中,通过最近邻搜索建立新采集点与历史累积数据(即地图)之间的对应关系至关重要。然而,静态树数据结构不足以实时处理大型且动态增长的地图。为了解决这个问题,我们在文中《i-Octree: A Fast, Lightweight, and Dynamic Octree for Proximity Search》提出了i-Octree,一个动态八叉树数据结构,它既支持快速最近邻
0. 简介 LinK3D、CSF、BALM这几个都是非常方便去插入到激光SLAM框架的。这里我们会分别从多个角度来介绍如何将每个框架插入到SLAM框架中 1. LinK3D:三维LiDAR点云的线性关键点表示 LinK3D的核心思想和基于我们的LinK3D的两个LiDAR扫描的匹配结果。绿色线是有效匹配。当前关键点(黑色,CK)的描述符用其相邻关键点来表示。描述符的每个维度对应于扇区区域。第一维度
0. 简介 在本文中,我们关注移动机器人定位的可靠性问题。蒙特卡罗定位(MCL)广泛用于移动机器人的定位。然而,由于缺乏判定MCL估计可靠性的方法,其安全性仍难以保证。本文提出了一种新型定位框架,能够同时实现鲁棒的定位、可靠性估计和快速重新定位。该方法的实现方式与MCL的估计方式相似。通过在定位过程中估计已知和未知障碍,该方法可以增强对环境变化的定位鲁棒性;然而,不可预见的错误仍可能导致定位失败。
背景:不同厂商的激光点云结果存在一定差异,比如有些只有xyz,有些包含其他,如反光率、时间戳、ring等。如何快速判断是个值得学习的点 概要:对于rosbag类型的激光点云,介绍使用rviz快速查看点云结构特点 如何从rviz加载话题可视化在 ros master中的点云话题不做展开介绍 1、操作说明 右击rviz空白处->勾选 Selection (新增一块界面1)-> 左击
0. 简介 局部的高精地图现在在自驾领域越来越受到关注,鸟瞰图(BEV)感知模型可以用于通过更少的人力构建高精度地图(HD-Maps)。虽然在线的局部地图推算是非常有必要的,但是它们的结果通常不可靠,并且表明从不同视角预测的高精度地图存在明显的不一致性。这是因为BEV感知通常是以“车载”方式设置的,其计算资源有限,这阻碍了算法同时推断多个视图。《MV-Map: Offboard HD-Map Ge
0. 简介 激光雷达的畸变矫正是一个非常重要的工作。由于扫描式激光雷达传感器需要有限的时间来创建点云,所以一次扫描过程中传感器的运动会导致点云发生畸变,这种现象被称为运动畸变或者卷帘快门。运动畸变校正方法已经存在,但是它们依赖于外部测量或者多次激光雷达扫描上的贝叶斯滤波。《Correcting Motion Distortion for LIDAR HD-Map Localization》一文提出
0. 简介 重建准确一致的大规模LiDAR点云地图对于机器人应用至关重要。现有的解决方案,即位姿图优化,虽然时间效率高,但并未直接优化地图的一致性。最近提出了LiDAR捆绑调整(BA)来解决这个问题,然而在大规模地图上它耗时过长。为了缓解这个问题,本文《Large-Scale LiDAR Consistent Mapping using Hierarchical LiDAR Bundle Adju
前言:跟组合惯导和激光雷达打交道半年了,过程中查找学习了这两方面的资料,这里来个小结。如果有理解错误的,望大佬们不吝赐教。 一、RTK组合惯导 个人理解有两部分组成,一个提供gps信息的rtk,另外一个实时姿态信息的imu。 1、rtk 1)输出gps信号,可获取极高的定位精度(当然是在没有遮挡情况下) 2)rtk的双天线安装在车子上时,一定要进行杆臂值标定,否则不能使用的!!!至于标定
背景:如果给了一条轨迹和轨迹时间戳上的激光点云,那么拼接地图是一个有趣的事情。 概要:先介绍来自liosam里面手动计算的接口,后面介绍一种pcl自带的接口。 1、手动计算的接口 该接口采用手撕方式写的,定制性,运行速度更快些,但通用性不行。 pcl::PointCloud<PointType>::Ptr transformPointCloud(pcl::PointCloud&
LeGO-LOAM的修改: 提示:这主要需要修改utility.h以及imageProjection.cpp: 原作者提醒需要修改的地方:1、使代码适应新传感器的关键是确保点云可以正确投影到距离图像并且可以正确检测到地面。例如,VLP-16 在两个方向上的角分辨率分别为 0.2° 和 2°。它有 16 根光束。底部光束的角度为-15°。因此,“utility.h”中的参数如下所示。实施新传感器
前言 在进行GPS加IMU的组合导航或者Lidar加IMU的组合导航时,用EKF或者ESKF的滤波方法时,需要提前知道惯导的测量噪声、初始零偏、重力方向等信息。 此时就需要对惯导进行一个初始化,来获取以上信息,常见的初始化方法为静止初始化法。例如无人机在上电后要进行自检,此时需要无人机静止一段时间,通过指示灯来提示自检是否完毕,在静止的过程中,则对惯导进行了初始化的方法。 静止初始化方法
网上DSO基本上都是在TUM数据集上跑得,教程也比较多,写论文需要,使用DSO跑了一下Euroc数据集,踩了很多坑,花了一天的时间才调通,记录一下。 本机运行环境:Ubuntu16.04 其它环境只要安装过ORB-SALM2的应该不用做额外的配置 1.安装DSO,教程很多,不做赘述,不过ziplib这个包需要注意,如果图片数据集是以zip格式存储方式进行读取的话需要安装这个包,当然直接建一个文
分类汇总 1、绘制轨迹 evo_rpe:计算相对位姿误差 evo_ape:计算绝对位姿误差 举例 两轨迹全局评估:evo_ape tum groundtruth.txt xxx.txt -a -p 两轨迹全局评估,保存为zip文件:evo_ape tum groundtruth.txt xxx.txt -a -r full --plot --plot_mode
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