前言 Faster-LIO是基于FastLIO2开发的。FastLIO2是开源LIO中比较优秀的一个,前端用了增量的kdtree(ikd-tree),后端用了迭代ESKF(IEKF),流程短,计算快。Faster-LIO则把ikd-tree替换成了iVox,顺带优化了一些代码逻辑,实现了更快的LIO。在典型的32线激光雷达中可以取得100-200Hz左右的计算频率,在固态雷达中甚至可以达到1000
前言 livox mid360 在官网一直没有货,在gazebo里可以仿真该雷达形式的点云(前面的博客介绍了如何在gazebo中实现对livox各型号雷达的仿真)。 但是其只发布雷达的数据,没有imu数据,实际的雷达是可以发布既有雷达也有imu的数据的 运行 FAST-LIO2 也需要雷达和惯导的数据 本篇博客在gazebo中搭建了一个有livox mid360 和惯导的平台,并成功运行了FAST
通过gazebo对 livox mid360 激光雷达进行仿真 livox 介绍 览沃科技有限公司(Livox)成立于2016年。为了革新激光雷达行业,Livox致力于提供高性能、低成本的激光雷达传感器。通过降低使用门槛和生产成本,Livox将激光雷达技术集成到更多产品和应用之中,从而为自动驾驶、智慧城市、测绘、移动机器人等行业带来创新性改变。Livox产品已销往包括美国、加拿大、中国、日本和欧盟
修改launch文件 在之前将ouster-32的激光雷达设置成了静态IP。 因为设置了固定的雷达IP,所以就在launch文件中设置其参数,不用在用命令行的方式传入该参数 修改内容如下: <arg name="sensor_hostname" doc="hostname or IP in dotted decimal form of the sensor"/> 改为
ouster-32 ROS驱动 此 ROS 软件包支持所有固件 v2.0 或更高版本的 Ouster 传感器。启动后,驱动程序将配置并连接到选定的传感器设备,连接后,驱动程序将处理传入的IMU和激光雷达数据包,解码激光雷达帧并发布有关/ouster/imu和/ouster/points主题的相应ROS消息。如果传感器支持双回波并且已配置为使用此功能,则将发布另一个名为 /ouster/point
前言 LIO-SAM的全称是:Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping 从全称上可以看出,该算法是一个紧耦合的雷达惯导里程计(Tightly-coupled Lidar Inertial Odometry),借助的手段就是利用GT-SAM库中的方法。 LIO-SAM 提出了一个利用GT-SAM的紧耦合激
前言 图优化本身有成形的 开源的库 例如 g2o ceres gtsam lio-sam 中就是 通过 gtsam 库 进行 图优化的,其中约束因子就包括回环检测因子 本篇主要解析lio-sam框架下,是如何进行回环检测及位姿计算的。 Pose Graph的概念 用一个图(Graph 图论)来表示SLAM问题 图中的节点来表示机器人的位姿 二维的话即为 (x,y,yaw)
因子图的功能 在slam的后端优化问题中,通常会通过⼀些传感器的观测,比如: 视觉特征点 IMU预积分量 Lidar面点和边缘点(角点)的约束 去构建一个优化问题,求解状态量(如位姿、速度等)。 这个时候存在一个问题:当给这个系统新增⼀个约束时,就会重新建立所有的约束对状态量的优化问题进行求解。当优化模型增大时,显然进行一次优化的时间也会增加很多;一方面实时性遭遇了挑战,另一
前言 预积分量约束相邻两帧的状态量(位置、速度、姿态),同时考虑到IMU的零偏的性质,即短时间内变换速率比较慢,因此可以认为两帧之间的零偏不变,也就是还可以约束两帧的零偏变换。 同时,在slam问题中,IMU预积分通常会和其它传感器的约束一起构建一个优化问题 无论是VIO还是LIO,IMU和其它传感器的标定结果往往对最终的里程记和建图性能有着显著的影响。同样,在多传感器融合算法中,传感器之间
IMU器件 IMU的全称是惯性测量单元,包括一个三轴的加速度计以及一个三轴的陀螺仪,分别测量出物体的加速度和角速度信息,不受周围环境结构、光照等外界因素影响。通常IMU的输出频率在100-1000hz之间,远高于相机或者激光雷达的输出频率,一方面可以提高整体系统的输出频率,另一方面,可以在视觉或者激光雷达短期失效的时候提供一段时间的位姿推算。 在大多数的LIO或者VIO中,关于IMU的输出的建
LIO-SAM的全称是:Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping 从全称上可以看出,该算法是一个紧耦合的雷达惯导里程计(Tightly-coupled Lidar Inertial Odometry),借助的手段就是利用GT-SAM库中的方法。 LIO-SAM 提出了一个利用GT-SAM的紧耦合激光雷达惯
前言 LeGO-LOAM的全称是 Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variable Terrain 其中LeGO就是轻量级和利用地面优化,轻量级的实现就是通过两步的优化方式,利用地面优化的部分也在两步优化的第一步中。 和原始LOAM一样,通过前后两帧点云来估计两帧之间的运动,从而累加得到前端里程计的
3d 激光slam 介绍开源框架:aloam、lego-loam、lio-sam的算法原理,源码分析,使用实践
博客
泡泡
积分
勋章
精选激光SLAM:Faster-Lio 算法编译与测试
精选在gazebo里搭建一个livox mid360 + 惯导仿真平台测试 FAST-LIO2
精选通过gazebo对 livox mid360 激光雷达进行仿真
ouster-32激光雷达实测:雷达参数配置与输出数据分析
ouster-32激光雷达实测:ROS驱动编译使用与设备连接的网络配置
lio-sam框架:后端里程计、回环、gps融合
lio-sam框架:回环检测及位姿计算
lio-sam框架:点云匹配之手写高斯牛顿优化求状态量更新
LIO-SAM框架:点云匹配前处理之初值计算及局部地图构建
3d激光SLAM:LIO-SAM框架---特征点提取
LIO-SAM框架:点云预处理前端---畸变矫正数据预处理
LIO-SAM框架:点云预处理前端---畸变矫正
3d激光SLAM:LIO-SAM框架---位姿融合输出
3d激光SLAM:LIO-SAM框架---IMU预积分流程
3d激光SLAM:LIO-SAM框架---IMU预积分功能数据初始化
因子图优化及GTSAM中IMU预积分接口
IMU预积分在优化问题中的建模及外参标定
惯性测量单元预积分原理与实现
3D激光SLAM:LIO-SAM
激光SLAM:LeGO-LOAM---两步优化的帧间里程计及代码分析
3D激光slam:LeGO-LOAM---基于广度优先遍历的点云聚类算法及代码分析
激光slam:LeGO-LOAM---地面点提取方法及代码分析
激光slam:LeGO-LOAM论文解读(二)
激光slam:LeGO-LOAM---论文解读(一)
激光slam:LeGO-LOAM---代码编译安装与gazebo测试
ALOAM:后端lasermapping最终篇---地图更新及消息发布
ALOAM:后端lasermapping 里程计到地图位姿更新维护
ALOAM:后端lasermapping通过Ceres进行帧到地图的位姿优化
ALOAM:后端 lasermapping构建角点约束与面点约束
ALOAM:后端lasermapping地图栅格化处理与提取
ALOAM:后端lasermapping数据处理低延时性保障操作
ALOAM:后端laserMapping代码结构与数据处理分析
ALOAM:gazebo仿真测试场景搭建
ALOAM:帧间里程计代码解读
ALOAM:Ceres 优化部分及代码解析
ALOAM:激光雷达的运动畸变补偿代码解析
ALOAM:异常点剔除机制代码解析
A-LOAM :前端lidar点特征提取部分代码解读
A-LOAM :前端lidar点预处理部分代码解读
LOAM 论文解读
KITTI数据集处理--转换成ROS可用数据
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