2401_88001371的博客

原创 自动驾驶定位：齐次坐标赋能厘米级精度

射影几何并未推翻欧氏几何，而是提供更简洁的数学工具。点、线、面间的几何关系不变，但通过齐次坐标与矩阵统一表达，使旋转、平移、投影等变换均可化为单一矩阵乘法，避免欧氏几何中的复杂除法与分段判断。尤其在视觉SLAM与相机成像中，齐次坐标可表示无穷远点（w=0），实现对极几何、透视投影的高效计算，显著提升算法简洁性与计算效率。

原创 SLAM观测模型（传感器模型）

观测模型描述观测值与机器人位姿的关系。高斯模型假设噪声服从正态分布，适用于相机、高精度测距，数学简洁但难以刻画激光雷达复杂噪声。非高斯模型（如激光雷达的beam模型）融合主峰值、拖尾噪声与最大测距尖峰，反映多源噪声特性，更贴近实际，但处理复杂，需特殊算法。

原创 标准里程计运动模型

本项目聚焦自动驾驶软硬件开发，提供室内外融合定位与无缝导航切换技术，支持无人驾驶与自动驾驶一站式传感器解决方案。系统具备统一坐标系、厘米级定位精度，并集成自动驾驶控制、避障及绕障算法，实现高效智能路径规划。欢迎合作交流，共同推进自动驾驶技术落地。

原创 SLAM运动模型

本文介绍自动驾驶中室内外融合定位与导航技术，支持厘米级精度与无缝切换。基于统一坐标系，集成自动驾驶控制、避障及绕障算法。通过运动模型描述机器人位姿演化：给定旧位姿 (x_{t-1}) 与控制输入 (u_t)，预测新位姿 (x_t) 的概率分布。采用高斯模型（适用于卡尔曼滤波）与非高斯模型（粒子滤波），前者数学简洁、计算快，后者可表达复杂不确定性，适应打滑等非理想场景。适用于SLAM、路径规划等核心环节。合作欢迎留言。

原创 运动模型 + 观测模型，SLAM 贝叶斯图

本文介绍自动驾驶与机器人SLAM中的核心概率图模型，通过运动模型与观测模型实现室内外融合定位与导航。基于贝叶斯滤波，系统在已知控制输入与传感器观测下，联合估计机器人位姿轨迹与环境地图，支持厘米级精度、无缝切换与避障控制，适用于无人驾驶与智能机器人开发。

原创 SLAM演进史：从概率框架到工业主流

SLAM研究始于20世纪80年代，源于大地测量与摄影测量中的几何定位问题。早期基于卡尔曼滤波（EKF-SLAM）实现概率框架下的状态估计，后发展出粒子滤波（FastSLAM）与图优化（如ORB-SLAM、Cartographer）等主流范式。图优化因支持全局回环优化、精度高，成为当前工业界主流。三大方法各具优劣：EKF计算轻但扩展性差；粒子滤波适应非高斯噪声但开销大；图优化虽需较强算力，却兼具精度与可扩展性，推动了视觉与激光SLAM的广泛应用。

原创 单机器人 SLAM vs 多机器人 SLAM

本文聚焦室内外融合定位与无缝导航，提供厘米级精度的统一坐标系及自动驾驶控制、避障算法。对比单机器人SLAM（简单高效但效率低、易受遮挡）与多机器人SLAM（建图快、覆盖广、容错强，但需解决通信、数据关联与位姿对齐难题），适用于小场景至大型复杂环境的智能导航应用。

原创 自适应SLAM：算力内存自由调度

面向资源受限嵌入式机器人的SLAM分类体系中，Any-time SLAM与Any-space SLAM实现算力与内存的自适应：前者在有限时间内渐进优化结果，后者依存存储空间动态调整地图精细度。二者结合，使系统在算力波动或资源紧张时仍能稳定运行，典型应用于低功耗移动机器人，如早期FastSLAM变种，具备优雅降级能力，兼顾实时性与鲁棒性。

原创 SLAM 分类 —— Small vs. large uncertainty（位姿小不确定性 / 大不确定性）

本文对比了SLAM中“小不确定性”与“大不确定性”场景：前者位姿估计集中，适用于单一路径、误差可控的环境，如EKF-SLAM；后者位姿分布宽、多峰，适用于复杂多回路、里程计漂移严重的场景，需处理多假设与歧义，如FastSLAM和图优化算法。核心区分标准为算法对位姿不确定性的容忍度。

原创 静态环境与动态环境：经典 SLAM 的基础假设与动态 SLAM 的挑战

在静态环境中，传统SLAM（如ORB-SLAM）假设场景固定，通过特征匹配构建静态地图，动态物体被视为异常剔除。而在动态环境（如人群密集区域），运动物体导致特征误匹配、位姿漂移与地图污染。主流解决方案分为两类：一是检测并剔除动态物体，仅基于静态背景建图；二是显式跟踪动态物体，实现机器人与动态目标的联合状态估计（动态SLAM）。自动驾驶需兼顾两者，提供软硬件一体化解决方案，欢迎合作交流。

原创 SLAM 分类 — Known vs. Unknown Correspondence（已知 / 未知关联， Data Association）

本文对比了自动驾驶SLAM中的两种数据关联模式：已知关联（如路标带唯一ID，匹配明确，难度低）与未知关联（特征无标识，需实时猜测匹配关系，易因错误关联导致系统发散）。后者是真实激光/视觉SLAM的常态，对算法鲁棒性要求更高。提供软硬件一体化解决方案，助力高效、精准定位与建图，欢迎合作。

原创 SLAM 地图表示：拓扑地图与几何（度量）地图对比

本文系统对比了自动驾驶中两类核心地图：拓扑地图与几何地图。拓扑地图以图结构表示连通关系，存储小、抗误差，适用于高层路径规划；几何地图则提供精确坐标与空间信息，支持精确定位与避障，但数据量大。二者各有优劣，当前主流方案趋向于融合二者优势的混合拓扑-度量地图（Topometric），在全局路径搜索与局部精准控制间实现高效平衡，为自动驾驶软硬件系统提供可靠环境理解基础。欢迎项目合作，共促智能驾驶发展。

原创 Volumetric SLAM 与 Feature-based SLAM的核心差异

本文对比了体式（稠密）SLAM与基于特征的稀疏SLAM，核心差异在于地图表达：前者构建连续几何表面，适用于三维重建、避障与AR；后者仅保留稀疏特征点，计算轻量，适合大范围定位与自动驾驶。稠密SLAM需GPU支持，内存开销大；稀疏SLAM可在CPU运行，适合长距离场景。选择应基于应用需求——若需连续表面选稠密方案，若重轨迹估计则用稀疏法。工程上常采用混合架构，兼顾定位精度与避障能力。

原创 SLAM ：同步定位与建图的核心原理与实践

SLAM（同步定位与建图）本质是机器人位姿与地图构建的相互依赖问题，二者均未知，形成“先有鸡还是先有蛋”的循环。位姿误差与地图误差相互耦合，导致误差累积。此外，观测与地图间的对应关系（数据关联）未知，需通过特征匹配与概率模型推断，错误关联将引发全局误差传播。因此，SLAM必须联合估计位姿与地图，通过前后端协同实现鲁棒性。

原创 Online SLAM（在线 SLAM，滤波式 SLAM）模型解读

本文阐述自动驾驶中在线SLAM的原理，核心为：在线SLAM是全轨迹SLAM后验对历史位姿边缘化后的结果。通过运动与观测模型，仅保留当前位姿xt+1与地图m（灰色块），历史轨迹x0,…,xt（白色块）被积分消去。虽看似丢弃，但其影响以协方差形式保留在当前状态中。该框架统一了EKF-SLAM、FastSLAM与GraphSLAM等方法，实现增量式、常数级状态估计，适用于实时自动驾驶系统。欢迎合作探讨。

原创 Online SLAM（在线 SLAM）讲解：边缘化历史位姿的递推滤波

在线SLAM的核心是边缘化历史位姿，仅估计当前位姿与地图，通过递推滤波实现实时性。其后验分布通过对历史轨迹积分消去，避免状态维度随时间增长，计算高效，适用于实时系统。典型方法如EKF-SLAM、FastSLAM等均基于此思想，但因无法回环优化，长期运行易漂移。相较全轨迹SLAM（如GraphSLAM），在线SLAM牺牲精度以换取效率，本质区别在于“积分消去”与“保留完整轨迹”的概率框架对立。

原创 概率 SLAM 中 Full SLAM 与 Online SLAM 的对比

本文介绍自动驾驶中概率SLAM的两种核心形式：FullSLAM（批量优化，全局精度高，适合后处理）与OnlineSLAM（在线滤波，实时性好，但误差累积）。主流视觉SLAM系统如ORB-SLAM采用折中策略——在线运行并保留关键帧，支持后端全局优化，兼顾实时性与精度。欢迎项目合作，共推自动驾驶软硬件解决方案。

原创 SLAM 概率公式带图模型解析

本文解析SLAM概率公式 $ p(x_{0:T}, m \mid z_{1:T}, u_{1:T}) $，阐明机器人路径与环境地图的联合后验分布含义。通过贝叶斯网络图模型，揭示运动模型、观测模型与全局不变地图之间的因果依赖关系，强调地图作为未知变量需同步估计，区别于传统定位。该框架为自动驾驶中高精度定位与建图提供理论基础，欢迎项目合作。

原创 SLAM揭秘：概率框架下的精准定位与建图

SLAM（同步定位与建图）旨在解决机器人在未知环境中同时定位自身位置并构建地图的问题。给定控制输入序列 $ u_{1:T} $ 与观测数据 $ z_{1:T} $，目标是估计机器人轨迹 $ x_{0:T} $ 与环境地图 $ m $。由于运动与观测均存在不确定性，SLAM采用概率框架，利用贝叶斯推理对状态进行递推估计，实现高精度的定位与建图。

原创 SLAM的应用场景

SLAM地图应用场景：家用，空中，水下，地下，太空

原创 什么是SLAM?

SLAM的概念，以及遇到的难题。

原创 什么是机器人建图？机器人建图的相关术语都有哪些？

机器人建图的概念以及相关术语

原创 基于3D激光雷达与RTK，IMU耦合算法的自动驾驶效果。

基于3D激光雷达与RTK，IMU耦合算法的自动驾驶。公园，廊桥，车间，狭窄走廊，都可以厘米级控制车辆通过。提供软硬件解决方案，需要项目合作的请留言。

原创 运行vs code prelaunchTask“Run Renode Debug后存在错误

原创 C++生成字符输出

C++，Python开发接活，意向行业：金融财务，自动驾驶，经验丰富，需要合作的请联系

原创 判断是不是元音，这段代码哪里出问题了？

#include#includeint main(){ using namespace std; int vowel = 0; int consonant = 0; int other = 0; char ch; cout

原创 在 Visual Studio 中关闭针对项目的警告

打开项目的“属性页”对话框。有关如何使用“属性页”对话框的信息，请参阅。编辑“禁用特定警告”属性以添加 错误警告代码例如：4996。选择“配置属性”>“C/C++”>“高级”属性页。选择“确定”以应用更改。