slam学习笔记2025.2.24

最新推荐文章于 2025-06-03 12:47:14 发布
最新推荐文章于 2025-06-03 12:47:14 发布
阅读量162 收藏
点赞数 1
文章标签： 学习 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/2301_76866200/article/details/143987807
版权

一、SLAM

二、ROS

实际上还是C++,python Java开发

三、ROS系统框架

三种方式：

1.节点到话题，话题到节点

2.服务。节点通过服务请求，服务响应

3.动作。

内容：

1.ROS系统架构中，程序＝进程=节点

2.消息：节点到节点发送的内容

3.数据包：录制的话题集合

4.参数服务器：用来配置全局参数

5.主节点：用来管理通信中的各种细节

【ROS2】SLAM入门：gmapping建图、导航测试记录
郭老二
02-24 753
测试gmapping建图 和 导航功能。这篇博客详细记录建图和导航的使用步骤，下篇博客会详细分析源码。
2025年 课程设计 机器学习&深度学习实战案例,含有python代码和教程 (4月10日已更新1179篇)
sybh的博客
10-05 8578
10月促销价99.9,适合初学python机器学习深度学习的学生,从入门到精通,专栏内含有讲解,每篇文章都含有对应的代码,会持续更新,更新至千篇案例,已经更新六百多个项。
SLAM学习笔记2025.2.26
2301_76866200的博客
02-26 681
这些传统方法的局限性主要体现在它们对高速运动的敏感性。在高速运动中，图像变化过快，特征点跟踪容易丢失，导致系统无法精确估计相机的运动。因此，为了在高速场景下实现鲁棒的定位和映射，传统方法需要进行优化或者结合更先进的技术，如深度信息融合、视觉惯性传感器数据融合等。
2025.2.27SLAM学习笔记
2301_76866200的博客
02-27 745
的设计结合了灰度图像和深度图像的信息，利用法向量和深度信息增强了特征描述符，使得其在动态和复杂环境下能够更好地匹配特征点。加权欧几里得距离用于根据深度信息的可靠性对描述符进行匹配，提高了匹配的精度和鲁棒性。深度加权参数确保了远距离深度值对匹配的影响较小，增强了近距离匹配的可靠性，从而优化了特征点的匹配过程。通过这些方法，ORB_D descriptor 可以有效应对动态场景和深度信息不准确的挑战，提高视觉惯性导航系统中的特征匹配质量。
2025.2.28SLAM学习笔记
2301_76866200的博客
02-28 715
是一个。
2025.2.21slam学习笔记
2301_76866200的博客
02-22 927
角点的三角分布是一种通过角点在标定板上的分布情况来评估标定精度的间接方法。均匀、广泛分布的角点通常会提高标定结果的可靠性和精度，尤其是在多传感器标定中。通过适当的分布方式，能够有效减少误差传播，确保标定过程的高效和高质量。通过三角剖分和滑动窗口的结合，你能够有效地间接评估标定过程中的外部参数精度，特别是在没有真实参数值可用的情况下。这种方法不仅帮助你验证标定的准确性，还可以提供对角点分布的深入理解，进而指导相机和IMU的联合标定过程。
视觉SLAM十四讲学习笔记——ch11回环检测
路拾遗的博客
04-30 1821
文章目录11.1 理论部分11.2 实践部分11.2.111.2.2调试bug参考资料 11.1 理论部分 可参考博客:视觉SLAM十四讲：回环检测-知识点+代码 11.2 实践部分 11.2.1 11.2.2 调试bug 安装下载 DBoW3库 在进行编译程序前，先需要安装DBoW，第二版的安装文件下载链接如下所示： DBow3 下载完成后，安装方法很简单,将文件存放在你想存放的文件夹里面，进入DBoW-master文件夹： mkdir build cd build cmake .. make sudo
ROS2机器人笔记20-12-04
zhangrelay的专栏
12-04 3749
ROS2开发和推广的速度比预想要快很多，之前在博文： 从2050回顾2020，职业规划与技术路径（节选） 提及2020是商用机器人操作系统普及元年，本以为是刚刚开始，结果已经是遍地开花，日新月异已经不合时宜了，夸张点是“秒新分异”。 ADLINK will incorporate AI technologies to develop robot controllers with vision, detection, precision control and real-time communi
人到中年，成功转行机器学习工程师？国外小哥狂刷吴恩达LeCun，教你18个月转行...
阿木寺的博客
07-29 156
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达2025届AI校招群成立！大家快扫码加群找工作！▲扫码领券，进校招群！转载：新智元 | 编辑：Aeneas【导读】人到中年，想半路出家转行成机器学习工程师，可行吗？最近，这位成功转行的国外小哥用一篇干货满满的硬核博客告诉我们：完全可以！转行成为一名机器学习工程师，可行吗？国外一位成功转行的Max Mynter告诉我们——完全可以！...
vslam论文14：Monocular Visual-Inertial Odometry with Planar Regularities（ICRA 2023）
xsyaoxuexi的博客
07-03 512
我们的方法的核心是一种高效鲁棒的基于单眼的平面检测算法，它不需要额外的传感模式，如文献中常见的双目或深度相机，同时能够实时正则化点特征到环境平面。具体来说，在本文提出的MSCKF中，长期存在的平面保持在状态向量中，而较短的平面在使用后被边缘化以提高效率。在优化过程中，平面上的SLAM点是固定的，但为了进一步改善平面估计，需要通过点对平面的约束来包含SLAM点。在自收集的AR表数据集上，我们观察到，由于更大的平面和更长的观察时间，平面可以被充分跟踪很长一段时间，每个平面有大量的特征。
【论文阅读笔记】语义三维重建CVPR2011：Semantic Structure from Motion
weixin_44991673的博客
02-02 957
我们尽管已经把研究方向缩小到了SLAM中的前端视觉领域，并且集中在SSLAM上面，可是大千世界仍有无数小世界，每一小世界又万分复杂。在语义SLAM领域有语义帮助SLAM的方向，SLAM帮助语义分析的方向，也有语义与SLAM结合的方向。传感器使用的不同，语义SLAM也有不一样的研究方向，建图的维度也可以把语义SLAM分为二维平面和三维平面。在广泛了解SLAM的发展历史后，我们来深究一下语义SLAM的发展历史。今天分享的文章是我们的第一站，CVPR2011：SSFM
3d pose 学习笔记2025
jacke121的专栏
02-13 661
3d pose 学习笔记2025
面试招聘：新能源汽车研发测试人员需求内部研讨会纪要（2025年4月19日草稿流出）
优快云-新能源汽车研发测试专业博主
04-19 1442
XX汽车技术中心技术管理岗闭门会议纪要完整版：双非招聘策略、面试话术与风控方案（附待定事项）：2025年4月15日 14:00-17:30：某主机厂研发中心会议室（305）：内部限定（严禁外传至社交媒体）：根据会后反馈补充招聘策略、面试话术及风险预案，待定事项需二次审议。“当前新能源汽车行业竞争已进入‘三电+软件’的深水区，但传统主机厂在软件人才储备、技术管理能力上仍存在结构性短板。“现有团队中，70%为机械/电气背景工程师，仅能完成基础嵌入式开发。
【Python 学习笔记】dictionary unpacking
最新发布
cbldzz的博客
06-03 269
【代码】【Python 学习笔记】dictionary unpacking。
java基础学习(二十)
AbaseZ的博客
06-01 898
在子类中可以根据需要对从父类中继承来的方法进行改造，也称为方法的重置、覆盖。在程序执行时，子类的方法将覆盖父类的方法。
板凳-------Mysql cookbook学习 （九）
fengye207161的博客
05-30 804
在 MySQL 中，CREATE TABLE LIKE 是一种用于创建新表的语法，该新表的结构与现有表完全相同，但不包含源表中的数据1。上述语句将创建一个名为 employees_backup 的新表，其结构与 employees 表完全一致，但不包含任何数据1。此语法会复制 existing_table_name 表的所有列定义、索引以及约束到 new_table_name 表中1。新表结构：仅包含 SELECT 中显式指定的字段，不继承源表的索引和约束（除非手动声明）。一、CREATE TABLE …
CppCon 2014 学习:Defensive Programming Done Right.
虾球
06-02 776
这段摘要讲的是：这个大纲展示了如何从系统设计、接口约定，到实现防御、测试验证，全流程构建健壮、可控、可测的 C++ 组件库。 Physical Design（物理设计） 关注：程序的组织结构和部署方式 包括： 头文件（ / ） 实现文件（） 静态库、动态库（, , ） 表示“我们如何组织代码和构建产物” 示例： 总结对比 特性 Logical Design Physical Design 本质 行为的设计 结构和文件的组织方式 关注点 类、函数、契约 文件、模块、编译边界
学习笔记：3个学习AI路上反复看到的概念：RAG，Langchain，Agent
FBeetle的博客
05-31 432
RAG的能力核心是有效结合了检索和生成两种方法。基本思路是把私有数据进行切片，向量化后通过向量检索进行召回，再作为上下文输入到通用大模型，模型再进行分析和回答。同时，AI Agent也可以利用RAG技术来提高其在特定任务（如问答或对话系统）中的性能，尤其是在需要外部知识来支持决策时。RAG可以作为LangChain（如果它是一个语言处理工具）的一部分，用于提供更加丰富和准确的语言生成能力。AI Agent可能使用LangChain来处理自然语言的任务，比如理解用户输入和生成响应。
SAP学习笔记 - 开发17 - 前端Fiori开发 Component 配置（组件化）
shi_ly的专栏
06-01 814
本章讲 Component 配置（组件化），其本质就是把一些共通处理给拿出来放到 Component.js 里面。这样做就会缩减Controller.js 里面的代码。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值