Loading [MathJax]/jax/input/TeX/config.js
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >用于机器人定位和建图的增强型 LiDAR-惯性 SLAM 系统

用于机器人定位和建图的增强型 LiDAR-惯性 SLAM 系统

作者头像
3D视觉工坊
发布于 2023-04-29 05:39:48
发布于 2023-04-29 05:39:48
5840
举报

笔者简述:

粒子滤波也是一个十分经典的算法,它与卡尔曼滤波的不同之处在于卡尔曼滤波假设概率分布是高斯分布,然后在计算后验概率(pdf)时,利用正态分布的性质,可以计算出来;而粒子滤波的后验概率分布是通过蒙特卡洛方法采样得到的。蒙特卡洛方法很清楚的一点是采样的粒子越多,概率分布越准确,但是计算速度会下降。也就是说如何分布你的有限个数的采样粒子来得到更为准确的后验概率分布是粒子滤波一直在做的事情。在本文中粒子滤波的改善一个是局部采样,另一个是采样时更好的概率分布来得到更精确的后验概率。在闭环检测这里则是应用了深度学习的方法。具体实现可以随笔者一起看下面的文章。

An Enhanced LiDAR-Inertial SLAM System for Robotics Localization and Mapping

摘要——基于激光雷达和惯性传感器的定位和建图对于无人地面车辆相关应用具有重要意义。在这项工作中,我们为无人地面车辆开发了改进的 LiDAR 惯性定位和映射系统,适用于多功能搜索和救援应用。与现有的基于 LiDAR 的定位和建图系统(如 LOAM)相比,我们有两个主要贡献:第一个是提高了基于粒子群滤波器的 LiDAR SLAM 的鲁棒性,第二个是为全局开发的闭环方法优化以提高整个系统的定位精度。我们通过实验证明,LiDAR SLAM 系统的准确性和鲁棒性都得到了提高。最后,我们在香港科学园以及其他室内或室外真实复杂的测试环境中进行了系统的实验测试,证明了我们的方法的有效性和效率。结果表明,我们的系统具有高精度、鲁棒性和效率。我们的系统对于无人驾驶地面车辆在未知环境中的定位和建图具有重要意义。

一、引言及相关工作

激光雷达(Light Detection And Ranging, LiDAR) 传感器是一种典型的传感器,可以获取具有局部范围的所有周围物体的距离[1]。基于激光雷达的同步定位和建图(SLAM) 对各种应用具有重要意义,例如自动驾驶、3D 机器人抓取、搜索和救援机器人以及机器人监视和检查。在过去的几年中,除了各种先进的控制技术 [2] 之外,基于深度学习的方法也引起了极大的关注,因为它们重新创建了视觉世界。最近,由于开发了基于大规模 LiDAR 的定位基准,例如用于自动驾驶的 KITTI [3]-[7],已经提出了各种 LiDAR-SLAM 系统。基于 gmapping 的方法已经提出[8],这是一个典型的基于粒子滤波器的LiDAR SLAM。谷歌提出的Cartographer [9],[10]利用Ceres求解器求解非线性最小二乘来实现扫描中的匹配。结构通过子图和子图到扫描的匹配,实现闭环检测和全局优化。这种方法包括Fast-LIO [11],它在里程计的前端利用增量KD-Tree .后端使用迭代扩展卡尔曼滤波器。它具有持续时间短和计算速度快的优点。基于LOAM的LiDAR-SLAM利用点云的边缘和平面特征作为前端特征。这些特征是存储在地图中,匹配时利用点到线和点到面的距离信息。高频视觉信息和低频LiDAR里程计信息都被用来实现机器人运动估计[ 12].[13]中提出了用于细粒度特征提取的LEGO-LOAM。并且该系统可以在简单的环境中以可接受的精度实现实时定位和映射性能。最近,也提出了一些方法战术解决了固态LiDAR视场受限的问题,例如Loam-Livox。最近提出了基于深度学习的特征提取方法。但是,主要问题是以前的方法都没有包含循环因此,LiDAR SLAM系统存在漂移和精度低的问题。此外,上述所有方法都利用卡尔曼滤波器在LiDAR SLAM系统的前端计算里程计。但是,粒子滤波器-基于[8]、[14]的方法计算里程计尚未得到充分探索。总而言之,目前基于LiDAR的SLAM的各种研究大致可以概括为两个方面:第一部分着重于提高精度第二部分侧重于提高系统的鲁棒性。已经提出了各种方法来提高各种室内或室外场景中的定位精度和鲁棒性。但是,如何取得很好的效果这两个因素之间的平衡需要更多的探索。

图 1. 复杂环境下的大尺度测绘结果

图 2. 推荐的 LiDAR SLAM 建图结果的最终演示。可以看出,在 Mulran [15] 基准上,我们提出的基于学习的回环检测方法可以达到令人满意的精度,并将较大的误差(子图(a)是提出回环检测方法之前的全局图)纠正为全局一致地图(子图(b)是我们做闭环后得到的地图。)子图(c)和子图(d)分别展示了我们在室外道路案例和室外港口案例上的测试结果。可以看出,使用机械和固态 LiDAR [16]-[18] 可以在室内和室外环境中实现全局一致映射。证明了我们提出的方法的稳健性。

为了应对上述挑战,在这项工作中,我们提出了一种基于粒子滤波的方法来解决未知环境下的激光雷达惯性定位和映射问题。首先,我们提出了一种适用于室内和室外定位和映射的自适应粒子群滤波器。我们在自适应粒子群滤波器的最优化中提出了较小的时间步长,以提高定位的成功率和稳健性。此外,我们还提出了使用重采样策略来做出正确的抽样分布。最后,我们利用基于扩展卡尔曼滤波器的粒子滤波器进行状态估计。此外,我们还提出了一种基于轻量级学习的方法来寻找激光雷达SLAM中的闭环。我们利用带有分类头的深度神经网络判断两个局部激光雷达扫描是否重叠。此外,我们为深度神经网络设计了一个回归头来预测两个激光雷达扫描之间的相对角度。总之,我们有以下突出贡献:

1) 我们针对定位问题提出了基于粒子群滤波器的自适应框架。适应的方法利用重采样策略和适当的建议密度基于构建的局部地图进行优化。

2)我们设计了一种有效的闭环方法来提高定位精度和鲁棒性。各种实验证明了我们提出的闭环算法的有效性。

3)对于效率问题,我们还利用各种最近邻搜索算法来快速计算邻居。在原有实现的基础上,我们将最近邻搜索的速度提高了 5.8 倍。

4)我们已经将所提出的方法集成到我们的系统中,无论是Livox-Avia的固态激光雷达还是VLP-16等机械激光雷达。可以证明,我们的方法在有效性和效率上有明显的优点。它在包括香港科技园在内的各种测试环境中取得了令人满意的性能。此外,我们的方法可以与基于机器人学安全走廊的运动规划无缝集成。我们方法的稳健性和准确率在公共数据集上以及真实复杂的室内和室外环境中都得到了证明

图 3. 固态激光雷达的扫描模式

图 4. 校园场景的机械 LiDAR 建图结果

图 5. 推荐的 LiDAR-惯性 SLAM 系统的最终软件框架

在接下来的工作中,第二部分介绍了我们的整体系统框架和我们的两个主要贡献。接下来,我们提出我们的两个主要贡献,自适应粒子群滤波器和基于学习的闭环方法。由于页数限制,我们在每个小节中都包含了我们的实验结果。最后,我们简要介绍了我们在香港进行本地建筑检查的综合系统。

二、推荐的方法

A. 整体系统框架

1)我们提出的激光雷达惯性定位和建图系统的框架:提出的定位和建图框架主要基于典型的激光雷达 SLAM 或激光雷达惯性系统,如 LEGO-LOAM [13]和 LIO-SAM [19]。与他们的方法相比,我们有两个主要区别:首先是我们提出了第一个基于粒子滤波器的方法,与以前的方法如 LEGO-LOAM [13] 和 LIO-SAM [19] 相比,它获得了更好的效率。第二个是我们提出了一种有效的闭环检测网络,称为 LoopNet。结果表明,我们提出的方法可以非常有效地执行闭环,并且整个 LiDAR SLAM 系统的整体精度大大提高。

图 6. 基于 FG-Conv 的 FG-Net 网络架构的总体框架

2) 推荐的 LiDAR-惯性 SLAM 系统的最终软件框架:我们推荐的 LiDAR-惯性 SLAM 的编码框架如图 6 所示。我们软件的运行过程总结如下:

1.激光运动畸变校正。预积分是通过使用当前帧开始和结束之间的 IMU 数据和 IMU 里程计数据来计算的。获取各时刻激光点的位姿,将其转化为激光在初始时刻的坐标系,实现标定。

2.提取特征。针对运动畸变校正后的当前帧激光点云,计算每个点的曲率,然后提取角点和平面点特征。

3.扫描到地图匹配。提取局部关键帧图的特征点,与当前帧的特征点进行scan-to-map匹配,更新当前帧的位姿。

4. 因子图优化或基于扩展卡尔曼滤波器的优化。在图中添加激光里程计因子、GPS因子、闭环因子并进行因子图优化,更新所有关键帧位姿。

5. 闭环检测。在历史关键帧中寻找候选闭环匹配帧,进行扫描到地图匹配以获得位姿变换。然后我们可以构建闭环因子,并将它们添加到因子图中进行优化。应该提到的是,为了保持我们传感器套装的最低要求,我们在我们的软件中包含了 GPS 融合模块,但我们没有在所有实验中使用 GPS 信息。

B.自适应粒子群滤波器

1)粒子群滤波器的原理:基于粒子滤波器的SLAM的基本思想是使用m个随机样本 表示机器人在第k个时间步的置信度值 . Xr(k)表示机器人在第k步的位姿值。wk 表示 Xr(k) 对应的权值。d0,1,2,..,k表示从时间步长Zk = {Z(0), Z(1), .., Z(k)开始的数据,估计状态为Xr(k)。Xr(k) 是移动机器人的位姿。Xr(k) 是移动机器人的位姿。Xr(k) 代表移动机器人的位姿。Xr(k) = (xr(k), yr(k), θr(k))。系统说明如下:

其中 u(k) 是运动输入,例如来自里程计的数据。w(k) 是过程噪声。测量函数可以表述如下:

Xn(k)代表路由信息,而v(k)代表测量噪声。

然后我们就可以获得机器人的可信度。

根据贝叶斯定理,我们可以得到递归计算,可以表述为:

根据马尔可夫假设,测量 Z(k) 与先前的测量条件独立。将所有先前的测量表示为 Zk, Zk−1 = {Z(0), ..., Z(K − 1)},这仅取决于先前的测量。并且它只与姿势 Xn(k) 有关。

给定 Xn(k − 1) 和 u(k − 1),状态 Xn(k) 独立于之前的状态 Xn(k − 1) 和控制 u(k − 1),即:

这个方程是粒子群滤波器的基础。其中 , p(Z(k)|Xr(k) 是传感器模型对应的机器人。我们可以定义作为重要性函数。q的确定对机器人的影响很大基于粒子滤波的SLAM性能

图 7. 推荐的 LiDAR SLAM 建图结果的最终演示。可以看出,在 Mulran [15] 基准上,我们提出的基于学习的回环检测方法可以达到令人满意的精度并将大误差(子图(a)是提出回环检测方法之前的全局图)纠正为全局一致图(子图(b)是我们做闭环后得到的地图。)子图(c)和子图(d)分别展示了我们在室外道路案例和室外港口案例上的测试结果。可以看出,无论是在室内还是室外环境下,机械和固态激光雷达都可以实现全局一致的建图。证明了我们提出的方法的稳健性

2)先前粒子群滤波器的缺点:我们提出了一种用于定位和建图的自适应粒子群滤波器。传统上,SLAM 中典型的粒子群滤波器 [8] 寻求达到全局收敛。在理想情况下,基于标准粒子群滤波器的 SLAM 系统将在无限次迭代优化后达到全局收敛。最后,我们可以获得机器人系统的确定性姿态和环境的确定性映射。然而,在现实中,由不确定的机器人姿势构建的映射并不是很准确。同时,从不确定的环境地图中估计的机器人位姿不准确。随着机器人的运动,机器人姿态的准确性将对建图精度产生很大影响,反之亦然。这将导致机器人映射和定位的准确性和效率低下。有时,可能不满足一些弱约束,最终定位不会收敛。同时,基于标准粒子滤波器的 SLAM 在整个探索环境中采用均匀分布的粒子。并且收敛速度也会降低。此外,粒子数量也会增加,这将增加计算需求并影响整个LiDAR-Inertial SLAM系统的实时性能[20],[21]

3)自适应粒子群滤波器优化的更小时间步长:我们提出了自适应粒子群滤波器。自适应粒子群滤波器针对机器人姿态的不确定性和建图结果的不确定性这一事实。我们提出的方法在局部范围内寻找机器人的最佳姿态 [11]、[22]、[23]。然后,利用机器人在局部范围内的最佳位姿来构建局部范围内的环境地图。我们最终提出的具体方法可以总结如下:

1)找出以计算出的机器人姿势为中心的小方块。对于室内案例,我们将矩形的边长设置为 1cm,对于室外案例,我们将矩形的边长设置为 10cm。

2) 我们让一定数量的粒子均匀分布在矩形中。机器人移动十个时间步后,定位完成。

3)然后我们使用激光雷达重新扫描环境并执行地图更新。

这样,利用更小时间步的简单技巧,并在局部范围内进行优化,我们可以提高最终 LiDAR SLAM 系统定位的成功率和鲁棒性。总之,我们在短时间内基于构建的局部地图执行基于粒子群的定位。另外,我们让粒子相对于机器人在一个小范围内,这可以大大减少所需的粒子

4)解决退化问题的建议方法:基本粒子滤波器中存在的问题是退化问题。粒子权值的变化会增加迭代次数,退化不可避免。通过迭代,其他粒子的权重将达到一个可以忽略不计的小值。那么退化意味着大量的时间和计算资源将浪费在重量很小的粒子上。不仅会造成资源的浪费,还会影响最终的估算结果。在我们的工作中,我们提出了解决权重退化问题的方法:

1)利用重采样策略。重采样策略的本质是增加粒子的多样性。通过引入重采样,多样性会变大。在我们的工作中,我们利用 Gordon 等人提出的多项重采样 [24],它解决了粒子滤波器中的退化问题。

2) 我们还利用了类似于 [25] 的适当的建议密度分布。基本粒子滤波器的假设是:基于重要性的重采样可以从适当的后验建议密度分布中采样一组点。建议的密度分布函数指导重采样以做出正确的样本分布。因此,如果我们能够找到一个最优的建议密度分布函数,那么最终的滤波质量就可以得到保证

三、基于学习的闭环

此外,我们还提出了一种基于深度学习的 SLAM 系统闭环算法。通过我们提出的回环检测技术,可以有效地比较相似地方的特征,并且可以有效地检测回环。此外,我们提出的网络架构非常轻巧,适合实时机器人应用。我们还提出了基于学习的闭环检测网络 Loop-Net。该网络严重依赖于我们之前的工作 FG-Net [26]-[28]。我们使用分类损失来判断两次 LiDAR 扫描之间是否存在重叠。我们使用回归损失来预测两次 LiDAR 扫描之间的相对角度

四、中国香港本地验楼综合系统

最后,我们成功利用上述LiDAR SLAM系统在中国香港本地进行建筑物检查并获得监控。该系统如图 8 所示。实验表明,我们提出的 LiDAR-Inertial 同步定位和建图系统具有强大的生成高质量地图的能力,这对于进行自主运动规划以生成可行路径。LiDAR SLAM 系统构建的 3D 地图对于 3D 建筑物重建、3D 模型分析、建筑物目标或缺陷定位与检测等进一步应用也具有重要意义

五、结论

在这项工作中,我们提出了一种用于无人驾驶地面车辆定位的集成改进型 LiDAR-惯性同步定位和建图系统 [29]。我们提出了一种基于粒子滤波器的里程计的系统设计。通过进行局部优化,我们提高了以前的 LiDAR-Inertial SLAM 的鲁棒性和效率。并且通过提出的基于学习的闭环检测方法,我们可以提高最终全局地图的准确性。可以证明,我们提出的 LiDAR-Inertial SLAM 系统在室内和室外环境中都显示出出色的性能和鲁棒性,机械 LiDAR 或固态 LiDAR 具有良好的准确性。在未来,我们希望探索使用语义 SLAM [30] 进行机器人场景解析。

图 8. 基于我们提出的 LiDAR SLAM 系统的 UGV 检查部署系统的详细说明

本文仅做学术分享,如有侵权,请联系删文。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2023-01-13,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 3D视觉工坊 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
SLAM | 激光SLAM中开源算法对比
好久没有更新SLAM系列的文章了,前面我们讲到了激光SLAM技术。基于激光雷达的同时定位与地图构建技术(simultaneous localization and mapping, SLAM)以其准确测量障碍点的角度与距离、 无须预先布置场景、可融合多传感器、 在光线较差环境工作、 能够生成便于导航的环境地图等优势,成为目前定位方案中不可或缺的新技术。
AI算法修炼营
2020/05/08
3.6K0
《智能驾驶之激光雷达算法详解》激光雷达 +IMU组合定位
激光里程计算法,仅凭激光点云估算激光雷达的运动状态,其精度显著受激光点云质量波动影响。IMU(惯性测量单元),作为广泛应用于机器人及汽车领域的传感器,集成了陀螺仪与加速度计,能精确捕捉并输出被测物体的角速度与加速度信息,进而通过积分运算推算出其在一定时间内的姿态与位置变化。然而,IMU在实际运作中易受多种干扰因素影响,尤其是加速度计的误差会随时间累积,导致导航精度下降。因此,常需借助外部信息融合策略,以强化IMU的定位精度。鉴于激光里程计依赖低频的环境感知进行定位,而IMU则通过高频的自身运动状态积分进行位姿估计,两者在功能上存在天然的互补性。众多学者因此致力于将激光里程计与IMU相结合,以实现高精度、实时性的定位。根据融合方式与原理的不同,这一领域的研究被细化为LiDAR+IMU松耦合与紧耦合两大方向。 激光雷达与IMU的松耦合定位策略,巧妙融合了激光里程计与IMU航位推算技术。两者独立运作,依托卡尔曼滤波、粒子滤波等先进框架,实现精准信息融合,最终精确输出定位结果。2019年,国助科技BXue团队创新性地提出IMU-AHFLO算法,该算法凭借点线特征或点云分布特征匹配的激光里程计,捕捉车辆在两帧点云间的位姿变化,随后,高频IMU数据携手车辆运动学方程,预测上述时刻的位姿变迁,最终,卡尔曼滤波器精准估算车辆新姿态。南昌大学的廖杰华则另辟蹊径,将LOAM算法与自适应粒子滤波技术巧妙结合,专为无人物流小车打造室内定位新方案。而Google的Cartographer算法,更是以分层优化为核心,前端运用无迹卡尔曼滤波器实现2D激光雷达与IMU数据的无缝融合,后端则聚焦于子地图构建与优化,辅以分支定界法,显著加速闭环检测,确保定位系统的高效与精准。 激光雷达与IMU的紧耦合定位技术,相较于松耦合方式,显著减少了信息损失。这一创新方法将激光雷达与IMU数据融合于同一位姿优化问题中,实现了更为精准的位姿估计。紧耦合定位策略可细化为基于滤波器与平滑优化两大流派。基于滤波器的方法,在状态更新中无缝整合多源传感器数据,如H. Sebastian等先驱者利用自适应扩展卡尔曼滤波器,成功将3D激光雷达与GPS/INS融合,赋能无人小车室外精准导航。然而,滤波器固有的线性化近似与递推机制,随时间推移易累积误差,影响长期定位精度。为克服此局限,香港科技大学机器人与多感知实验室的C. Qin团队在ICRA 2020上隆重推出LINS算法,该算法采用迭代误差状态卡尔曼滤波器,深度融合激光雷达与IMU数据,通过持续校正系统状态误差,实现了车辆实时、高精度的定位与建图,为紧耦合定位技术树立了新的里程碑。
用户11339509
2024/11/11
6820
【SLAM】激光SLAM简介与常用框架
SLAM(同步定位与地图构建)是一种机器人感知技术,用于在未知环境中同时确定机器人的位置并构建地图。
DevFrank
2024/07/24
1.4K0
基于3D激光雷达的SLAM算法研究现状与发展趋势
SLAM算法是移动机器人实现自主移动的关键环节。激光雷达(LiDAR)具有测距精度高、不易受外部干扰和地图构建直观方便等优点,广泛应用于大型复杂室内外场景地图的构建。随着3D激光器的应用与普及,国内外学者围绕基于3D激光雷达的SLAM算法的研究已取得丰硕的成果。
一点人工一点智能
2023/08/25
3.8K0
基于3D激光雷达的SLAM算法研究现状与发展趋势
SLAM+路径规划:巡检机器人算法设计
标题:Research on SLAM and Path Planning Method of Inspection Robot in Complex Scenarios
一点人工一点智能
2023/08/25
2K0
SLAM+路径规划:巡检机器人算法设计
激光slam理论与实践_SLAM算法
  基于图优化方法的激光SLAM有cartographer,基于滤波器的方法有GMapping。
全栈程序员站长
2022/09/23
1.5K0
激光slam理论与实践_SLAM算法
漫谈 SLAM 技术(上)
DancingWind
2017/09/11
11.8K0
漫谈 SLAM 技术(上)
基于3D激光雷达的SLAM算法研究现状与发展趋势
SLAM算法是移动机器人实现自主移动的关键环节。激光雷达(LiDAR)具有测距精度高、不易受外部干扰和地图构建直观方便等优点,广泛应用于大型复杂室内外场景地图的构建。随着3D激光器的应用与普及,国内外学者围绕基于3D激光雷达的SLAM算法的研究已取得丰硕的成果。
一点人工一点智能
2023/04/26
1.9K0
基于3D激光雷达的SLAM算法研究现状与发展趋势
SD-SLAM: 基于LiDAR点云的动态场景语义SLAM方法
文章:SD-SLAM: A Semantic SLAM Approach for Dynamic Scenes Based on LiDAR Point Clouds
点云PCL博主
2024/05/20
1K0
SD-SLAM: 基于LiDAR点云的动态场景语义SLAM方法
地下环境 | 九种3D Lidar-SLAM算法评估
当机器人处在照明条件不足且无法使用GPS的地下(SubT)环境中,其自主导航是一项极具挑战性的任务,这也促进了姿势估计和建图算法的研究。
一点人工一点智能
2023/04/07
1.5K0
地下环境 | 九种3D Lidar-SLAM算法评估
基于多传感器融合的定位和建图系统
IMU(加速度计)的测量频率高,即可以精确的测量到物体的姿态运动,对运动灵敏,同时成本低,体积小,抗干扰能力强,基本上在多传感器融合中是一个必备的传感器。
一点人工一点智能
2023/03/18
1.2K0
基于多传感器融合的定位和建图系统
VoxelMap++:在线LiDAR惯性里程计实现可合并的体素建图方法
文章:VoxelMap++: Mergeable Voxel Mapping Method for Online LiDAR(-inertial) Odometry
点云PCL博主
2023/09/11
6040
VoxelMap++:在线LiDAR惯性里程计实现可合并的体素建图方法
SLAM+路径规划:巡检机器人算法设计
标题:Research on SLAM and Path Planning Method of Inspection Robot in Complex Scenarios
一点人工一点智能
2023/05/30
1.5K0
SLAM+路径规划:巡检机器人算法设计
同时定位与地图创建综述
SLAM包含两个主要任务,定位和建图。这是移动机器人自主完成作业任务需要解决的基本问题,特别是在未知环境的情况下,移动机器人既要确定自身在环境中的位姿,又要根据确定的位姿来创建所处环境的地图,这是一个相辅相成、不断迭代的过程。因此,SLAM问题是一个复杂的耦合问题,也可以被看作是先有鸡还是鸡蛋的问题[1]。
3D视觉工坊
2020/12/11
1.2K0
基于激光雷达和单目视觉融合的SLAM和三维语义重建
文章:SLAM and 3D Semantic Reconstruction Based on the Fusion of Lidar and Monocular Vision
点云PCL博主
2023/08/21
1.8K0
基于激光雷达和单目视觉融合的SLAM和三维语义重建
SLAM综述之Lidar SLAM
SLAM包含了两个主要的任务:定位与构图,在移动机器人或者自动驾驶中,这是一个十分重要的问题:机器人要精确的移动,就必须要有一个环境的地图,那么要构建环境的地图就需要知道机器人的位置。
点云PCL博主
2020/04/26
3.2K0
SLAM综述之Lidar SLAM
Lidar-SLAM的历史与现状
文章:LiDAR-based SLAM for robotic mapping: state of the art and new frontiers
点云PCL博主
2023/11/30
8140
Lidar-SLAM的历史与现状
激光slam综述_SLAM是什么
slam (Simultaneous Localization and Mapping)叫即时定位与建图,它主要的作用是让机器人在未知的环境中,完成定位(Localization),建图(Mapping)和路径规划(Navigation)。
全栈程序员站长
2022/09/23
1.5K0
激光slam综述_SLAM是什么
一文详解高精地图构建与SLAM感知优化建图策略
高精度地图对自动驾驶系统功能研发的影响已经越来越明显,整体上来讲主要包含但不仅限于提升车端感知性能、拓展自动驾驶新功能、动态建图等相关应用。具体体现在如下几个重要方面:
3D视觉工坊
2021/03/19
7.4K0
一文详解高精地图构建与SLAM感知优化建图策略
GMapping原理分析[通俗易懂]
2、Gmapping基于RBpf粒子滤波算法,即将定位和建图过程分离,先进行定位再进行建图。
全栈程序员站长
2022/08/03
4.9K0
GMapping原理分析[通俗易懂]
相关推荐
SLAM | 激光SLAM中开源算法对比
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档