avenger_fang的博客

Abstract意大利米兰理工学院Abstract地面车辆实时六自由度姿态估计，由于自动驾驶和三维建图等诸多应用，是机器人技术中一个相关和被研究广泛的课题。虽然有些系统已经存在，但它们要么不够准确，要么在实时运行中比较局限。在本文中，我们提出了一种快速、准确和模块化的激光雷达系统。我们首先应用降采样和离群值去除，以过滤噪声，减少输入点云的大小。过滤后的点云被用于姿态跟踪和地面检测，以地面优化估计的轨迹。

不同的是，我们的里程计采用正态分布变换（NDT）方法，而不是在里程计模块中直接有效地提取与匹配扫描的特征点，也就是说，基于NDT的里程计在图1中称为直接里程计（DO）。然而，为了在KITTI里程计基准上达到可能的最大精度，激光雷达建图实际上以与激光雷达里程计基准相同的频率运行，并处理每个单独的扫描，运行在1 HZ，是传感器实时速度的10%。sC定义为sC =cC 1、cC 2、...，cnC，sS定义为sS =cS 1、c2 S，...，cS m，n和m分别为角和表面特征对应的个数。

【摘要】在这里，我们提出了一个通用的框架，以结合视觉里程计和激光雷达里程计在一个基本和第一原理的方法。该方法在性能上有所改进，特别是在对剧烈性运动的鲁棒性和暂时缺乏视觉特征方面。所提出的在线方法从视觉里程计法开始，以估计自我运动，并在高频率但低精度度的扫描激光雷达上配准点云。然后，基于scan匹配的激光雷达里程计法同时精练了运动估计和点云配准。我们用在我们自己的实验中收集的数据集以及使用KITTI里程计基准来显示结果。我们提出的方法在平均平移和旋转误差方面在基准测试集上排名第1，相对位置...

两年前，南洋理工的王晗等人在loam的基础上，为减少计算量，提出了一个也是纯激光SLAM的工程，也在IROS上发表一篇文章《F-LOAM : Fast LiDAR Odometry and Mapping》。整体来看和loam的算法没有太大差异，只是工程上进行缩减，在我自己的数据包上实际测试效果也还不错吧。A 传感器模型与特征提取机械式三维激光雷达通过旋转一个尺寸为M的垂直排列的激光束阵列来感知周围的环境。它用M个平行读数扫描垂直面。在每个扫描间隔期间，激光阵列在水平面上以恒定速度旋转，同时激光

《Low-drift and real-time lidar odometry and mapping》概要论文提出了一种使用3D激光雷达在移动中实时实现低漂移6-DOF里程计和建图的方法。这个问题很困难，因为激光距离测量是在不同的时间接收到的，而且运动估计的误差(特别是没有外部参考，如GPS)会导致结果点云的配准错误。实现这种方法的关键思想是分级策略，使用一种算法在高频但低保真度下执行里程计来估计激光雷达的速度。虽然不一定必须要IMU，但如果IMU可用，它可以提供一个运动先验和减轻剧烈的，高频