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
首先是时间,RS的点云的时间是绝对时间,所以不能用加法。 自定义一个sensor类型KJW,随便什么名,我后来改为RS32了,因为是robosense32线 修改过后,scan start和end差距过大,六十多秒。 这里的timestamp要double转float,这里有个古老知识要复习,float是32位,有23位是数字,为什么只有8位一样? 首先,flo
一、Gazebo 简介 Gazebo 是一款 3D 动态模拟器,用于显示机器人模型并创建仿真环境,能够在复杂的室内和室外环境中准确有效地模拟机器人。与游戏引擎提供高保真度的视觉模拟类似,Gazebo 提供高保真度的物理模拟,其提供一整套传感器模型以及对用户和程序非常友好的交互方式。Gazebo 作为一个仿真平台,通常会集成 URDF 和 Xacro 文件对外部环境和实体机器人的仿真模拟。它广泛应用
0. 简介 《LIV-GaussMap: LiDAR-Inertial-Visual Fusion for Real-time 3D Radiance Field Map Rendering》介绍了一种集成的精确激光雷达、惯性和视觉(LIV)多模态传感器融合映射系统,该系统基于可微表面散斑技术,提高了映射的保真度、质量和结构准确性。值得注意的是,这也是一种用于激光雷达-视觉-惯性传感器融合的紧密耦
1. 引言 SLAM(Simultaneous Localization and Mapping,即同时定位与地图构建)是机器人学和计算机视觉领域的核心技术,涉及在未知环境中同时估计机器人的位置并构建环境地图。SLAM技术广泛应用于自动驾驶、无人机导航、服务机器人、增强现实(AR)和虚拟现实(VR)等领域,能够使机器人在没有外部定位信号的情况下独立导航。本文详细介绍了ORB-SLAM2的安装与调试
0. 简介 这一讲按照《Autoware 技术代码解读(三)》梳理的顺序,我们来说一说Autoware中定位的工具以及error诊断,这一章还是比较简单的,里面的内容也比较清晰 1. localization_error_monitor 代码阅读 这是一个用于诊断定位错误的软件包,通过监测定位结果的不确定性来实现。该软件包监测以下两个数值:1. 置信椭圆长半径的大小,2. 横向(车体坐标系)置信
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
一、cartographer重要文档 有关cartographer的资料有2个比较重要的网站,我们的介绍也是基于这两个网站,其中会加入自己的一些理解,后续也有一些对代码的修改,来实现我们想完善的功能。 1-Cartographer2-Cartographer ROS第1个是Cartographer的核心,它会编译成一个库文件供他人使用第2个是作者写了个ros包来调用Cartographer的核心库
0. 简介 这一讲按照《Autoware 技术代码解读(三)》梳理的顺序,我们来说一说Autoware中基于地标的定位,这里的地标可以是:相机检测到的AR标签,还可以是通过LiDAR检测到的强度特征的板块。由于这些地标易于检测和估计姿态,如果地图上预先标注了地标的姿态,那么可以从检测到的地标的姿态计算出自我姿态。 1. 代码阅读 1.1 基于ar_tag的定位功能 该代码实现了一个基于ArUco
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
0. 简介 本文介绍了基于跨模态信号的自监督鸟瞰图运动预测。以自监督的方式学习密集鸟瞰图(BEV)运动流是机器人和自动驾驶的一项新兴研究。目前的自监督方法主要依赖于点云之间的点对应关系,这可能会引入假的运动流和不一致的问题,阻碍了模型学习准确且现实的运动的能力。在本文中,我们引入一种新型的跨模态自监督训练框架,该框架通过利用多模态数据来获得监督信号,有效地解决了这些问题。《Self-Supervi
【SchurVINS】一种基于滤波的轻量视觉惯性导航系统 2 实验 code:paper: 准确度和计算效率往往是用来评估视觉惯性导航系统的两大指标,目前现有的大部分VINS系统要么精度高,计算量却很大;要么计算量低,但是精度也很低。因此很难在资源受限的系统上提供准确的定位,为了解决这个问题,本文提出了SchurVINS,一种基
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-
0. 简介 个人在想在长期执行的SLAM程序时,当场景发生替换时,激光SLAM如何有效的更新或者替换地图是非常关键的。在看了很多Life-Long的文章后,个人觉得可以按照以下思路去做。这里可以给大家分享一下 1. 初始化保存关键帧 首先对应的应该是初始化设置,初始化设置当中会保存关键帧数据,这里的对应的关键帧点云数据会被存放在history_kf_lidar当中,这个数据是和关键帧状态一一对应
论文题目:Learning to Close the Loop from 3D Point Clouds 这篇论文由论文《Learning to close loops from range data》的工作改进而来,两篇论文都是同一个作者所写,思路基本一致,方法也类似,不过后者重点讨论的是2D雷达的闭环算法,虽然有部分章节提到3D的应用,但只是把2D方法直接使用,并没有做太多改进。所以,在
首先假设读者是了解基础VSLAM,了解VIO基础(至少要会标定,调过几个开源系统的) 先说一下双目的VINS-FUSION,大部分问题都是基线造成的问题,简单点说就是如果使用较短的基线如5cm(Real sense)和常规的14cm,在大场景(如空间广阔,特征分布远近不一的大户外场景)中失去尺度是比较正常的,室内一般纹 理比较好的区域相对单目还是比较稳定的,尤其是可以静止初始
0. 简介 对于AutoWare,我们已经讲了很多了,从这一篇我们开始进入实战,按照《Autoware 技术代码解读(三)》梳理的顺序,我们一个个慢慢来看与学习,首先第一个就是基于ekf的滤波定位。扩展卡尔曼滤波定位器通过将二维车辆动力学模型与输入的自我姿态和自我扭矩信息进行整合,估计出鲁棒且噪音较小的机器人姿态和扭矩。 1. 主要功能 输入消息的时间延迟补偿,可以有效整合具有不同时间延迟的输
0. 简介 鉴于能够缓解 3D 目标检测中普遍存在的长尾缺陷和复杂形状缺失的能力,占用预测已成为自动驾驶系统的关键组成部分。然而,三维体素级表示的处理不可避免地会在内存和计算方面引入大量开销,阻碍了迄今为止的占用预测方法的部署。与使模型变得更大、更复杂的趋势相反,《FlashOcc: Fast and Memory-Efficient Occupancy Prediction via Channe
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