slam学习

最新推荐文章于 2024-11-19 08:18:12 发布
原创 最新推荐文章于 2024-11-19 08:18:12 发布 · 741 阅读 · 4 ·
CC 4.0 BY-SA版权
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。
文章标签：

#slam

本文通俗解读了SLAM算法，涵盖视觉SLAM（ORB-SLAM2, ORB-SLAM3）、视觉惯性SLAM（VINS-Mono, VINS-Fusion）、激光SLAM（Cartographer, LIO-SAM）等，并介绍了三维重建、运动规划和相机标定。通过实例和书目推荐深入理解，同时关注评价指标如精度、效率和鲁棒性。

了解slam：【一看就懂】SLAM算法原理通俗解读_哔哩哔哩_bilibili

1、视觉SLAM：ORB-SLAM2（必学基础）

2、视觉惯性SLAM：ORB-SLAM3，VINS-Mono、VINS-Fusion

3、激光/多传感器融合SLAM：Cartographer，LeGO-LOAM、LIO-SAM、LVI-SAM

4、三维重建：视觉几何OpenMVS，深度学习重建MVSNet、PatchMatchNet、JDACS-MS

5、机器人运动规划：Navfn、Dijkstra、A-Star、DWA、TEB

6、相机标定：单目/鱼眼/双目/阵列

推荐书目：《视觉slam14讲》

 

 

相机和惯导的融合（视觉惯性里程计/vio）：

港科大VINS：Mono+Fusion：讲师独家注释源码地址：https://github.com/xieqi1/VINS-Fusion-noted

或者ORB-SLAM3：GitHub - electech6/ORB_SLAM3_detailed_comments: Detailed comments for ORB-SLAM3

评价指标：

精度：ATE绝对轨迹误差, RTE相对轨迹误差
效率：同硬件下的帧率，占用的内存
鲁棒性：数据集的覆盖率：成功追踪的帧数占总帧数的比例；数据集的平均的ATE，RTE

echo_gou
关注
SLAM技术之FAST_LIO和FAST_LIO2算法复现
无垠宇宙
06-29 4787
本文介绍了FAST_LIO原理，并搭建了FAST-LIO和FAST-LIO2的运行环境，方便学习FAST-LIO算法。
bench_ws:用于与不同状态估计算法（即 VINS-Mono、VINS-Fusion、ORBSLAM3、Stereo-MSCKF 等）进行比较的 catkin 工作区
05-29
长凳_ws 用于对不同状态估计算法进行基准测试的 catkin 工作区，即： 建造 构建过程相当自动化，此 repo 假设您在安装了 Ubuntu 18.04 的 linux 机器上运行。 然后要使用此存储库，您将发出以下命令， make deps make submodules make build 它安装依赖项，拉取 git 子模块并构建这个工作区。 在 EuroC 数据集上运行 首先获取数据集。 默认情况下，此项目提供的启动文件假定您有一个名为/data/euroc_mav/rosbags的目录，并且其中包含 rosbags，如下所示： MH_01.bag MH_02.bag MH_03.bag MH_04.bag MH_05.bag V1_01.bag V1_02.bag V1_03.bag V2_01.bag V2_02.bag V2_03.bag 请注意如何删除e
视觉SLAM与激光SLAM简单对比分析
超爱吃小蛋糕的66的博客
08-31 3379
本文旨在梳理目前较为前沿的SLAM技术，包括激光和视觉，主要从精度和实时性两个方面对算法进系评价。对于激光SLAM了解不深，后期需要补充相关算法的核心思想与算法框架。有问题请大佬们随时留言，我再改正。
从提取的特征点数量看vins-fusion和ORBSLAM算力对比
诗筱涵的博客
11-19 495
vins-fusion和ORBSLLAM算力对比，我们可以看一个基础的数字，vinsfusion里面yaml文件设置每帧提取特征点数量的时候默认是150个，实际跑时可以调整到50个，ORBSLAM里面yaml文件设置的每帧提取特征点数量是一千多个。
【SLAM】ORB-SLAM3解析——综述(1)
iwanderu的博客
04-28 8982
之前学习VINS和LIO-SAM的时候都是代码流，不是很重视看论文，现在有空学ORB-SLAM3了，这一次，先看一下论文。考虑到边上班边学，更新的会比较慢。看完论文之后，对这个系统最大的主观感受就是它的多图系统Atlas。机器人运行过程中是可能会跟丢的，一旦跟丢了就新建一个map，如果走到之前的位置，一旦发现和之前的map是同一个地方，就可以合并map。它的初始化和VINS很像，地图操作，回环检测，重定位很鲁棒。 github： https://github.com/UZ-SLAMLab/ORB_SLAM
slam学习-slam
09-23
近年来，深度学习技术的发展也为SLAM技术带来了革新。通过使用卷积神经网络（CNN）对环境进行感知和理解，SLAM系统能更准确地进行特征提取和匹配，从而提高SLAM的鲁棒性和准确性。例如，深度学习可以用于改进特征点...
C++版SLAM学习案例代码，含OpenCV学习、 SfM基本原理、SLAM十四讲与相关库等
01-12
本压缩包提供了一个C++版的SLAM学习案例，结合了OpenCV库的使用、Structure from Motion (SfM)的基本原理以及SLAM十四讲的相关知识。下面我们将详细探讨这些知识点。 1. **C++编程基础**：SLAM算法通常用C++实现，...
slam学习资料及PPT
05-08
这些学习资料提供了一个全面的SLAM学习路径，从基本概念到复杂的算法，再到实践应用，对于理解和掌握SLAM技术至关重要。通过系统学习，不仅可以理解SLAM的核心原理，还能具备解决实际问题的能力。
单目重建用于SLAM学习。加入深度图像
09-27
SLAM（Simultaneous Localization ...总的来说，单目重建在SLAM学习中扮演着重要角色，深度图像的引入极大地提高了定位精度和地图质量。随着硬件和算法的不断进步，我们可以期待在未来看到更加智能和自主的机器人系统。
SLAM学习资料.rar
09-07
这个"SLAM学习资料.rar"压缩包很可能包含了关于SLAM的教程、论文、代码实现以及相关的学习资源。下面，我们将深入探讨SLAM的基本概念、关键技术和应用领域。 SLAM的目标是让机器人在未知环境中移动时，既能构建环境...
一文详解ORB-SLAM3
热门推荐
lovely_yoshino的博客
09-14 2万+
ORB-SLAM3是一个支持视觉、视觉加惯导、混合地图的SLAM系统，可以在单目，双目和RGB-D相机上利用针孔或者鱼眼模型运行。他是第一个基于特征的紧耦合的VIO系统，仅依赖于最大后验估计(包括IMU在初始化时)。这样一个系统的效果就是：不管是在大场景还是小场景，室内还是室外都能鲁棒实时的运行，在精度上相比于上一版提升了2到5倍。
orbslam2和vins对比
z504727099的博客
10-15 1519
多种视觉SLAM方案对比
lovely_yoshino的博客
07-13 5416
在SLAM研究中，我们通常需要在各数据集上测试各个方案的性能情况。如下主要对表1中6个视觉SLAM方案进行相关测试，测试其在不同场景、要求下的精度和鲁棒性，并给出最终方案选型。 开源SLAM方案选型： 数据集： 一、ORB-SLAM2 检测流程：Kinect生成地图【地图主要可见的有关键帧(包括相机的pose,相机的内参,ORB特征),3D的地图点( 空间中3D位置,法线方向,ORB的描述子),词袋向量,共视图等】 保存地图 加载地图和重定位 缺点：1、不能解决实际问题。它基于特征点法，建的图是稀疏的，只
为什么工程上选择VINS而不是ORB-SLAM？
CV_Autobot的博客
04-14 2860
作者|3D视觉之心 编辑|自动驾驶Daily原文链接：https://www.zhihu.com/question/650407644点击下方卡片，关注“自动驾驶之心”公众号戳我-> 领取自动驾驶近15个方向学习路线>>点击进入→自动驾驶之心『SLAM』技术交流群本文只做学术分享，如有侵权，联系删文前言很多公司在工程上是用VINS（VINS-Mono或VINS-Fusi...
ORB_SLAM3与VINS_MONO的惯导部分比较以及尺度因子优化分析
Goretzka的博客
02-26 3336
inertial部分的对比 ORB_SLAM3 VINS IMU的偏差 同时考虑了加速度计和陀螺仪的偏差，并且将其放在目标函数中与重力方向，尺度因子等待优化变量共同优化，在inertialoptimization函数 只估计了陀螺仪的偏差，并且是将其考虑成非线性的，将其独立出来单独优化，没有采用g2o求解器，而是直接一次高斯牛顿迭代解决，在initial_aligment.cpp中的solveGyroscopeBias中。 速度，重力，尺度因子 与IMU偏差共同估计，通过最大后验估计
从零完成slam实战，以Vins-Fusion为例
u010196944的博客
10-10 8821
ubuntu20.04 + d435i + vins-fusion，从零完成slam实战
视觉学习笔记4——学习研究ORB-SLAM3
qq_45848817的博客
03-18 1万+
ORB-SLAM3是第一个能够让单目、立体和RGB-D相机和针孔和鱼眼镜头模型解耦进行视觉、视觉惯性和多地图SLAM的系统。
ORB-SLAM3: An Accurate Open-Source Library for Visual, Visual-Inertial and Multi-Map SLAM
Hali_Botebie的博客
09-23 886
系统适用性 单目、立体和 RGB-D 相机 使用针孔和鱼眼镜头模型 视觉、视觉惯性和多地图 SLAM 的系统 创新点1： 集成了IMU的松耦合初始化 创新点2： 多地图系统，ORB-SLAM3 能够在视觉信息不佳的情况下存活很长时间：当它丢失时，它会启动一张新地图，当重新访问地图区域时，该地图将与之前的地图无缝合并。 效果 双目惯性 SLAM 在 EURoC 无人机中实现了 3.5 厘米的平均精度 简介 现代系统依赖于最大后验 (MAP) 估计，在视觉传感器的情况下，它对应于束调整 (BA)，无论是在基
【ORB-SLAM3论文翻译】ORB-SLAM3：一个精确的视觉、视觉惯性和多地图SLAM的开源库（注：带着原文看，很多公式和变量不好输入）
weixin_46135347的博客
11-18 6799
文章目录摘要1. 简介二、使用步骤1.引入库2.读入数据总结 摘要 本论文展示了ORB-SLAM3，第一个可以使用针孔、鱼眼相机运行视觉、视觉惯性和多地图，且支持单目、双目和RGBD相机的SLAM系统。 第一个主要新颖的点是基于特征点高密度融合的视觉惯性导航系统完全依赖于最大后验概率估计，包括在IMU初始化阶段。故，此系统可以鲁棒地实时运行在不同大小的室内外环境下，并且精度与以前的解决方法相比提高了2~10倍。 第二个主要新颖的点是一个依赖于高召回率的位置识别方法的多地图系统。由于这个特点，ORB-SLA
SLAM学习
最新发布
03-08
### 关于SLAM的学习教程与入门指南 对于希望深入理解并掌握SLAM技术的人来说，存在多种途径可以获取高质量的学习资料和支持。下面是一些建议： #### 利用开源项目作为学习起点 一个非常有价值的资源来自于名为《自己动手做一台SLAM导航机器人》的项目指南[^1]。此文档不仅提供了详细的理论讲解和技术实现细节，还包含了具体的实例操作说明，帮助读者逐步建立起自己的SLAM实验环境。 #### 探索专门针对SLAM的技术社区和工具集 slam-tricks是一个被广泛推荐的知识库，适合各个层次的研究人员和技术爱好者使用[^2]。这里汇聚了大量的实战经验和技巧分享，能够加速个人技能的成长过程。 #### 针对特定主题的在线课程 如果倾向于结构化的教学方式，则可以选择参加一些专业的培训计划。例如，“具身智能”系列课程就非常适合那些渴望全面了解包括但不限于SLAM在内的前沿科技的人士[^4]。这些课程通常会提供系统的知识点覆盖，并配有讲师指导下的实操环节。 #### 实践案例分析 为了更好地理解和应用所学知识，可以通过具体应用场景加深印象。比如，在点云数据处理方面，Point Cloud Library (PCL) 提供了一套完整的解决方案框架，涵盖了从输入输出到可视化等多个重要步骤[^5]。熟悉这类实用型软件包有助于提高解决实际问题的能力。 ```python import pcl cloud = pcl.load_XYZRGB('test_pcd.ply') # 加载点云文件 filter_voxel_grid = cloud.make_voxel_grid_filter() filter_voxel_grid.set_leaf_size(0.05, 0.05, 0.05) filtered_cloud = filter_voxel_grid.filter() # 对点云进行体素化降采样过滤 ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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