image frame

星际旅行日志

彼汾一曲,言采其藚.彼其之子,美如玉.美如玉,殊异乎公族.

SLAM算法学习(二)全局一致紧耦合3D激光雷达惯性建图

参考文献链接

标题:Globally Consistent and Tightly Coupled 3D LiDAR Inertial Mapping

作者:Kenji Koide, Masashi Yokozuka, Shuji Oishi, Atsuhiko Banno

来源:ICRA2022

摘要

本文提出一种实时三维建图框架,该框架基于全图匹配代价的最小化LiDAR-IMU紧耦合。该框架有一个预处理模块和三个估计模块组成,这三个估计模块为:里程计估计、局部建图和全局建图。这三个估计模块全都基于GPU加速的体素化的GICP匹配代价因子和IMU预积分因子的紧耦合。里程计估计模块采用基于关键帧的固定滞后平滑以满足高效率和低漂移的轨迹估计,同时能够使计算成本可控。全局建图模块通过构建一个包含了IMU约束的因子图来最小化全局匹配误差,因此在特征缺失的环境中,依然能够保证鲁棒的优化效果。该框架在Newer College数据集、KAIST urban数据集上的评估结果显示其在具有挑战性的环境中的定位建图的精度和鲁棒性。

阅读更多...

test

$$
S_{MAP}=arg{max}_s P(S|V) \tag {7-41}
$$

$$
\sum_{R_k}^{-1}{(x_k-g(x_{k-1},u_k))}\tag {7-47}
$$

SLAM论文学习(一)LOCUS2基于激光雷达的鲁棒且高效的3D实时建图

文章:LOCUS 2.0: Robust and Computationally Efficient Lidar Odometry for Real-Time 3D Mapping

作者:Andrzej Reinke , Matteo Palieri , Benjamin Morrell , Yun Chang, Kamak Ebadi, Luca Carlone , Ali-akbar Agha-mohammadi

编辑:点云PCL

代码:https://github.com/NeBula-Autonomy/LOCUS.git

参考链接LOCUS 2.0:基于激光雷达的鲁棒且高效的3D实时建图

摘要

​ 激光雷达里程计作为在复杂的没有GNSS环境中实现鲁棒定位方法引起了广泛关注。然而,由于自主机器人所需的机载计算计和内存资源的限制,在大规模环境中的异构平台上实现可靠和高效的性能仍然是一个开放的挑战。在这项工作中,我们介绍了LOCUS 2.0,这是一种用于实时地下3D地图绘制的稳健且计算效率高的激光雷达里程计系统,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。所提出的方法被证明适用于在严重的计算和内存限制下参与大规模探索的异构机器人平台。我们演示了LOCUS 2.0,这是CoSTAR团队参与DARPA地下挑战的关键要素,涵盖了各种地下场景,我们发布了LOCUS 2.0作为一个开放源代码库,还发布了一个基于激光雷达的里程计数据集,用于具有挑战性的大规模地下环境,该数据集的特点是在多个环境中,包括雾、灰尘、黑暗和几何退化环境中的平台,总共运行11小时,行驶16公里。

阅读更多...

SLAM中的数学基础(二)估计理论

7.3 估计理论

7.3.1 估计量的性质

​ 所谓估计,就是指研究某问题时感兴趣的参数$\theta$不能通过精确测量得知,只能通过一组观测样本值$Z=\lbrace z_1,z_2,\cdots,z_k\rbrace$猜测参数$\theta$的可能取值$\hat\theta$。

​ 估计量的好坏程度,估计量的性质主要是一致性偏差性

一致性

随着样本数量的增多,估计量$\hat{\theta}$应该收敛到参数$\theta$的实际取值,也就是说估计值应该与实际值保持一致。

弱一致性收敛:当观测值规模无穷大时,$\hat{\theta}$依概率收敛于$\theta$;

强一致性收敛:当观测值规模趋于无穷大时,$\hat{\theta}$严格收敛于$\theta$;

阅读更多...

3D点云算法(一)

一、点云数据

1.1 通用网络架构PointNet

​ 点云数据:

  • 无序性:只是点而已,排列顺序不影响
  • 近密远疏的特性:扫描与视角不同导致
  • 非结构化数据
  • 要解决的任务就是如何对点云数据进行特征提取
阅读更多...

激光SLAM(一 激光雷达数学模型与运动畸变去除)

激光雷达的数学模型

光束模型

似然场模型

运动畸变

什么是激光雷达的运动畸变 ?

激光雷达的一帧数据是过去一周期内形成的所有数据,数据仅有一时间戳,而非某个时刻的数据,因此在这一帧时间内的激光雷达或者其载体通常会发生运动,因此,这一帧的原点不一致,会导致一些问题,这个问题就是运动畸变

参考文献:https://blog.csdn.net/qq_43247439/article/details/107503864

GPR探地雷达

一、GPR的电磁学原理

1. 临近界面的GPR源

​ 多个GPR探测时,源是位于地表面上的,如图1.6b所示。入射波和反射波在空气介质中合成为一个上行的球面波。在地下,辐射信号分为两个部分,一个球面波和一个沿临界角传播的平面波。近地处,该球面波沿至空气中形成凋落场。 阅读更多...

视觉SLAM十四讲-学习笔记(一)

一、SLAM的定义

1.1 SLAM是什么

SLAMSimulaneous Localization and Mapping, 即同时定位与地图构建;指的是搭载特定传感器的主体,在没有环境先验信息的情况下,于运动过程中建立环境的模型,同时估计自己的运动。当使用的传感器主要为相机时,那就称为“视觉SLAM”,当传感器主要为激光雷达时,称为“激光SLAM”。

阅读更多...

SLAM基础(一)

一、SLAM的问题起源与发展

​ 起初,机器人的定位与建图问题被看成是两个独立的问题来研究。

​ 所谓机器人的定位问题,是在已知全局地图的条件下,通过机器人传感器测量环境,利用环境测量信息与地图之间存在的关系求解机器人在地图中的位姿。定位问题的关键是必须事先给定环境地图。例如分拣仓库中的二维码路标,就是人为给定的环境地图路标信息,机器人只需识别二维码就能得到机器人当前的位姿。

阅读更多...

SLAM中的数学基础(一)

参考文献:《机器人SLAM导航-核心技术与实战》第七章

一、SLAM的问题起源与发展

​ 起初,机器人的定位与建图问题被看成是两个独立的问题来研究。

​ 所谓机器人的定位问题,是在已知全局地图的条件下,通过机器人传感器测量环境,利用环境测量信息与地图之间存在的关系求解机器人在地图中的位姿。定位问题的关键是必须事先给定环境地图。例如分拣仓库中的二维码路标,就是人为给定的环境地图路标信息,机器人只需识别二维码就能得到机器人当前的位姿。

阅读更多...
  • Copyrights © 2022-2024 lk
  • 访问人数: | 浏览次数:

请我喝杯咖啡吧~

支付宝
微信