合集-SLAM
摘要：在图像上做Object detection 准确率目前可以达到90%以上，而在点云上做端到端的Object detection准确率却很低--车辆大概70%,行人大概40%，并且这样的网络换个不同线数的雷达就不行了。（点云有其特殊性， 近处和远处稠密程度不一样，不同线数的激光雷达稠密程度也不一样）。
但是图像做物体识别却没有办法得到深度信息，于是很自然地，便有了将激光雷达点云上的点投影到相机图像上，借而得到深度的想法。而这样做的第一步就是激光雷达和相机的标定，借而得到相机与激光雷达的坐标系间的转换。
阅读全文
摘要：上次提到了激光雷达与相机的标定，由于我毕设用的是速腾的激光雷达，发现标定时直接报错，故在此记录下问题与解决措施，借此详细分析下速腾激光雷达与velodyne激光雷达的异同。
阅读全文
摘要：其实就是手眼标定。而且这个可以推广开去，做任何可以求出Odometry的传感器之间的标定。
阅读全文
摘要：针对阿克曼底盘的导航，TEB_local_planner没有直接给出具体的导航策略，而是利用非线性优化问题完成了对该问题的建模。
阅读全文
摘要：在现有的视觉SLAM框架中，大部分是用针孔相机的图像来进行特征提取与匹配的。在一些特殊场景下有可能会需要用到鱼眼相机，因此一种操作是将鱼眼相机进行标定，转化成针孔相机的图像，然后再用SLAM框架去跑。这就涉及到了鱼眼相机的标定与像素的重映射。
阅读全文
摘要：户外大尺度环境下做SLAM一般是用激光雷达传感器与相机。如果直接保存点云地图，则由于户外机器人运动的范围比较大，地图的占用内存会过大。因此ETHZ-ASL实验室提出了一种基于segment的地图，能够将点云地图很好的抽象，适合于多机器人户外大范围环境的探索与建图。
阅读全文
摘要：在上一篇文章中，对于点云聚类的分类是利用传统机器学习算法——随机森林去做的。而喂给随机森林的不是
点云聚类自身，而是其人工提取的特征向量（或者特征直方图）。这样的做法，分类的效果受限于人工特征
自身的鲁棒性。因此本文提出了数据驱动的CNN分类器来提取特征描述子。
阅读全文
摘要：实验室新进了两个Livox Horizon激光雷达，特此记录特性。
阅读全文
摘要：换课题了，换主动三维重建，今晚刚把两个Information gain调通，不打算写代码和看论文了，故总结之。
阅读全文
摘要：随着我的课题的深入，我逐渐加深了对octomap的内部的细节的理解，也逐步感受到octomap的细节的精妙。我选出一些细节内容与其代码实现，来细讲一些目前网上没有的内容。
阅读全文
摘要：阅读Xingxing Zuo论文的过程中的一些公式的推导。
阅读全文
摘要：当使用ICP做点云配准的时候，如何评估配准结果的不确定性(亦即得到的Transform的协方差)？
阅读全文
摘要：做毕业设计的时候，发现当机器人的点云只照到地面的时候，场景出现退化，依靠点云算出的六自由度relative_pose不再可信。当点云只照到地面的时候，只能通过算法约束relative_pose的z, roll, pitch。传统的ICP算法的没有这种只约束z, roll, pitch的实现，因此自己尝试实现了一番。
阅读全文
摘要：为什么Error-State Kalman Filter 比 Extend Kalman filter 估计出来的结果更好一些？
阅读全文
摘要：该文章通过Opus 模型蒸馏MAC-VO、DROID-SLAMDROID-SLAM-W以及我个人的wiki库，再经过人工审核与再次编辑后得到。 个人知识库构建，详见我的上一篇文章：LLM Wiki: AI时代下的个人Wiki整理方法 Definition 本页是一篇分析性综述，回答四个问题： 深度学
阅读全文
浙公网安备 33010602011771号