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
0. 简介 深度估计任务是计算机视觉领域中的一个重要任务,旨在从单个或多个图像中推断出场景中物体的距离或深度信息。深度估计任务对于理解场景的三维结构、实现虚拟现实、增强现实、自动驾驶以及机器人导航等应用都具有重要意义。常用的深度估计算法包括:单目深度估计、双目深度估计、RGBD深度估计等。由于当前的单目深度估计算法效果不理想、而RGBD深度估计不仅需要依赖于RGBD相机,而且成本和功耗比较高,因而
0. 简介 3D GS在NeRF领域已经掀起了一股浪潮,然后又很快席卷到了SLAM领域,最近已经看到很多3D GS和SLAM结合的开源工作了。将为大家分享帝国理工学院戴森机器人实验最新开源的方案《Gaussian Splatting SLAM》,这也是第一个将3D GS应用到增量3D重建的工作,速度为3 FPS。要想实时从摄像头连续重建出高保真度的三维场景,需要多项创新。首先,为了超越原始的3D高
1、激光雷达软件操作实例 以C16/C32 系列多线混合固态激光雷达为例 首先在不同的终端运行下列指令 终端1:建立工作空间,构建编译环境 mkdir -p ~/yuanjl_ws/src cd ~/yuanjl_ws 终端2:下载雷达驱动和依赖包 将获取到的lslidar_c16_V1.01.180118.tar 拷贝到新建立的工作空间yuanjl_ws/src 下 使用
0. 简介 其实3D Gaussian Splatting和MVS,SFM,Nerf这类比较类似,但是我们发现辐射场一类场景表示方法已经在新视角渲染任务上得到了革命性的进展,但是在高分辨率图片上由于需要使用神经网络,导致训练和渲染都需要十分昂贵的代价,因此最近那些速度比较快的方法都不可避免地需要通过损失质量来提高速度。 而3D 高斯泼溅(Splatting)是用于实时辐射场渲染的 3D 高斯分布描
0. 简介 由于多相机之间通常存在有限或无重叠的视场,因此在估计外参相机参数时面临着一定的挑战,为了解决这个问题,本文提出了CamMap:一种新颖的6自由度外参标定流程。根据三个操作规则,使一个多相机系统单独捕捉一些类似的图像序列,以使用SLAM系统创建基于稀疏特征的地图。我们构建了一个两阶段的优化问题来对齐这些地图,并基于双向投影得到它们之间的变换,这些变换即为外参参数。该方案支持各种相机类型,
0. 简介 环视BEV已经是很多场景中需要的功能,也是视觉代替激光雷达的有效解决方案,而《SurroundOcc: Multi-camera 3D Occupancy Prediction for Autonomous Driving》一吻则代表了这个领域的SOTA算法,文中通过多帧点云构建了稠密占据栅格数据集,并设计了基于transformer的2D-3D Unet结构的三维占据栅格网络。同时也
IMU系统的运动学 惯性测量单元(IMU)已经非常普及了。我们在绝大多数电子设备中都能找到IMU:车辆、手机、手表、头盔,甚至足球当中都内置了IMU。它们的体积很小,安装在设备内部,可以提供有效的局部运动估计,实现一些有趣的功能。在自动驾驶中,惯性导航器件也是十分基础的定位装置。惯性导航提供的定位效果基本与外部环境和其它传感器数据无关,具有很高的泛用性和可靠性。 典型的六轴IMU由陀螺仪(Gy
0. 简介 最近世界模型的概念也比较火,世界模型可以无监督方式进行快速训练,以学习环境的稀疏时空表征。通过使用提取自世界模型的特征作为智能体的输入,训练面向任务的小规模控制器,用简单的策略。甚至可以完全通过由世界模型本身生成的虚幻梦境训练本文的智能体,并把从中学会的策略迁移进真实环境之中。《UniWorld: Autonomous Driving Pre-training via World Mo
0. 简介 我们常说的位姿图松弛指的就是基于闭环检测的边进行位姿图优化。而位姿图松弛已成为SLAM中不可或缺的补充,能够在满足逐对相对变换约束的目标下,实现传感器参考帧的高效全局配准。这些约束可以通过增量运动估计或全局地点识别来给出。尽管后一种情况可以实现闭环和漂移补偿,但在单目情况下需要注意,局部结构和位移的估计与实际情况可能不同,不仅在噪声方面,还可能存在尺度因子方面的差异。由于尺度传播误差的
0. 简介 高精地图作为自动驾驶中最关键的组成部分,矢量化高精(HD)地图包含有关周围道路元素的详细信息,这对于现代自动驾驶汽车的各项下游任务是至关重要的,例如车辆规划和控制。最近的工作试图直接检测矢量化高精地图,将其作为点集预测任务,从而显著提高了检测性能。然而,这些方法无法分析并且利用预测点之间的内部实例相关性,这阻碍了进一步的发展。《INSIGHTMAPPER: A CLOSER LOOK
今天这篇是深度稍微高一些的,尽量写细,但是具体实践各家都有不同的方式与工程习惯,就不多赘述了。 小组工作比较忙,代码还没来得及整理,总体更新一下基础知识。 VIO系统后端核心的三种约束是:先验约束,视觉约束与IMU预积分。 实验对象是VINS-MONO,首先因为我们主要的工程是基于VINS-MONO,另外VINS-MONO也是当前所有VIO系统里整个骨干脉络和原理逻辑比较清晰的一版,在其基础
今天主要写针对主流VIO和VSLAM如VINS-MONO和DSO的工程改造思路 肯定是有相当价值的,总体写得比较简单,需要具备软件/硬件/算法等各方面综合能力才能掌握主要路径,具体实现方面以后由其他同事来针对每一个单一闭环来更新。 主流VIO系统核心问题如下: 1. ZUPT零速修正与各种特殊场景失效的问题: 这个在前文已经详细描述过6-7类常见问题,目前也已经在工程上完整的解决了,
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
在ROS中发布导航命令有三种方式(但其实本质上都是话题发送) 一、使用Rviz进行导航 最常见的导航是在Rviz中实现的导航,通过2D Nav Goal可以设置导航目标点,但实际上2D Nav Goal会操作三个话题均有输出: /move_base/current_goal /move_base/goal /move_base_simple/goal Rviz中导航操作的主要话题
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