semantic_slam环境配置

realsense d455 semantic_slam实现语义八叉树建图 orb_slam2 + 语义分割 + 八叉树地图, github地址:https://github.com/floatlazer/semantic_slam环境配置参考链接现在说说要用d455来实现实时建图,需要修改哪些地方。首先要安装intel realsense的sdk, 到realsense-viewer可成功显示界面即成功然后安装realsense的ros wrapper, 让d455可通过ros发送topic 安装方法 这一步需要同时安装ddynamic_reconfigure包,从github上 阅读详情
AI摘要

该博客介绍了如何在Ubuntu 16.04的Docker环境中搭建ORB-SLAM2、语义分割和八叉树地图系统。首先从GitHub克隆代码并安装ORB-SLAM2,接着安装相关依赖如ROS、OpenNI2、OctoMap。然后安装语义分割所需的PyTorch及相关库,并解决在Docker中运行时遇到的GPU问题。最后,通过catkin_make编译并启动系统,播放rosbag数据进行三维语义地图构建。

orb_slam2 + 语义分割 + 八叉树地图,
github地址:https://github.com/floatlazer/semantic_slam

根据github上环境的版本要求,选择在ubuntu16.04的docker容器中搭建

首先pull了一个ubuntu16.04 + python2.7 + opencv3.3.0的镜像,在这个基础上搭建环境

1.download semantic slam的code
在$HOME下

$ mkdir catkin_ws
$ cd catkin_ws
$ mkdir src
$ cd src
$ git clone https://github.com/floatlazer/semantic_slam.git

2.安装orb slam2的环境
参考了https://www.jianshu.com/p/dbf39b9e4617
这中间涉及到ros, pangolin, eigen等的安装

进入sematic_slam文件夹中的ORB_SLAM2文件夹,build成功即可

3.安装语义分割相关
按照semantic slam的github中的要求

$ sudo apt-get install ros-kinetic-openni2-launch

4.安装八叉树地图相关

sudo apt-get install ros-kinetic-octomap-ros
sudo apt-get install ros-kinetic-octomap-msgs
sudo apt-get install ros-kinetic-octomap-server
sudo apt-get install ros-kinetic-octomap-rviz-plugins

5.安装语义分割相关

pip install torch-0.4.0-cp27-cp27mu-linux_x86_64.whl #1.0之前的版本要在官网上下载
pip install torchvision==0.2.0
pip install numpy
pip install future
pip install matplotlib

然后github上说依赖pytorch-semseg
打开pytorch-semseg中的requirements.txt, 看到里面还有一些依赖要安装

pip install scikit-image
pip install opencv-python==3.3.0.10
pip install tqdm==4.11.2
pip install cython
pip install pydensecrf
pip install tensorboardX
pip install scipy==0.19.0
pip install imgaug

然后安装semantic_slam包

$ rosdep install semantic_slam
ERROR: the following packages/stacks could not have their rosdep keys resolved
to system dependencies:
semantic_slam: Cannot locate rosdep definition for [catkin]

这一步会报找不到相关依赖的错误
命令改为:

$ rosdep install --from-paths semantic_slam --ignore-src --rosdistro=kinetic -r -y
#All required rosdeps installed successfully

这些都安装好之后,到~/catkin_ws下catkin_make

开始启动launch:

roslaunch semantic_slam semantic_mapping.launch

会报如下错误:
ImportError: No module named google.protobuf.internal
解决方法:

pip install protobuf

再启动launch:
会报错:AttributeError: ‘module’ object has no attribute ‘_cuda_getDevice’
Traceback (most recent call last):
File “/home/xx/catkin_ws/src/semantic_slam/semantic_cloud/src/semantic_cloud.py”, line 295, in
main(sys.argv)
File “/home/xx/catkin_ws/src/semantic_slam/semantic_cloud/src/semantic_cloud.py”, line 288, in main
seg_cnn = SemanticCloud(gen_pcl = True)
File “/home/xx/catkin_ws/src/semantic_slam/semantic_cloud/src/semantic_cloud.py”, line 123, in init
state = torch.load(model_path)

这是因为它的weight, 也就是pth文件,是用GPU训练出来的,
而docker里面没有GPU, 要把这个pth转为cpu模式:
把这个 state = torch.load(model_path)
改为:

state = torch.load(model_path, map_location={'cuda:0': 'cpu'})

到~/catkin_ws下

$ rm -rf build devel
$ catkin_make

再试一次

$ roslaunch semantic_slam semantic_mapping.launch
[ INFO] [1655366319.121127159]: Semantic octomap generator [max fusion]
Generate semantic point cloud [max fusion].
Setting up CNN model...
Setting up ROS...
Ready.

另起一个窗口

$ rosbag play demo.bag

图建出来了
在这里插入图片描述

Ubuntu18.04通Multi-modal semantic SLAM in dynamic environments Ubuntu18.04+3060(算力8.6)+cuda11.0(支持最高算力8.0)+cudnn8.0.5+pytorch1.7.1+torchaudio0.7.2+torchvision0.8.2+mmdection2.0+mmcv0.5.5 阅读详情

相关推荐

Semantic SLAM源码解析

这个语义SLAM建图是基于ROS的 下面上源码解析:首先从semantic_cloud.py出发,这里接收相机读入的topic, 会得到RGB图和深度图, 同时会起orb_slam2计算位姿,我们这里不讨论orb_slam2的算法细节,那是另一个大话题了。node: semantic_cloud: 换个dataset这个mean还要改 semantic_cloud.py里面有depth_img对齐,但是orb_slam里面没有,所以Orb_slam里面要用对齐的深度图 ...

蓝羽飞鸟的博客 841

Semantic Visual SLAM 简述

slam的目的在于定位和建图。视觉slam由于其低成本、小场景下的高准确度、丰富的环境信息,得到了充分的应用,但同时又受到光照变化、动态物体、缺乏纹理信息的环境的挑战,且需要的计算资源较高,实时性较差。将语义信息与slam结合能够提升对图像特征的理解并建立高精度的语义地图,如早期的Slam++等。

gongyuandaye的博客 702

MTK手机传感器驱动开发避坑指南:从SCP代码大小限制到Overlay加载流程详解

本文详细解析了MTK平台传感器驱动开发中的常见问题,包括SCP代码大小限制、Overlay加载流程及客制化传感器集成。通过实战案例和优化策略,帮助开发者高效解决MTK传感器驱动开发中的技术难题,提升开发效率。

weixin_42522374的博客 400

语义栅格图(四)semantic slam 安装测试

1.放到catkin_ws后,要执行catkin_make 1)这里需要根据Readme文件安装相关的依赖 2)由于SB的绿霸,导致无法apt-get install相关包,所以只能手动下载安装,并添加到findpackage里,package.xml里 就是这三个包: ros-kinetic-octomap-msgs ros-kinetic-octomap-rviz-plugins ...

weixin_41680653的博客 2490

COMSOL+AI实战:5个超实用技巧让你的仿真效率翻倍(附Python代码)

本文详细介绍了如何将人工智能(AI)与COMSOL仿真软件结合,通过Python脚本实现五大实用技巧,包括自动化生成数据集、构建代理模型、集成AI优化算法、利用神经网络加速场量求解以及智能结果分析,从而显著提升多物理场仿真的效率和自动化水平。

weixin_29230865的博客 441

KF-gins输出结果绘图

KF-gins输出结果绘图

m0_51977577的博客 1107

semantic_slam安装编译

目录two additional modulesDependencies数据集build继续测试(安装)VINS-MonoYOLODependenciesbuild 源码https://github.com/hridaybavle/semantic_slam two additional modules A VO/VIO algorithm: ROVIO, VINS_MONO, OKVIS etc. An Object Detector: Yolo, Shape Color Detector 其实可以先不装

qq_45539458的博客 1623

Windows C语言编程:Beep API实现蜂鸣器原理与实战

如果你在 Windows 上写过 C 语言程序,想给程序加个简单的提示音,第一个想到的可能是 printf("\a") 。这个转义字符确实能在某些终端里发出“嘀”的一声,但它太原始、太不可控了,而且很多时候根本没声音。那么,有没有一种更“Windows”、更可控、更专业的方法来让你的程序“说话”呢? 答案是肯定的,而且它比你想象的要强大和复杂。Windows 提供了一个名为 Beep 的 API 函数,专门用于生成蜂鸣声。你可能觉得这功能太简单,甚至有点过时——不就是让电脑“哔”一声吗?但恰恰是这个看似简单

weixin_34109408的博客 394

30分钟上手semantic_slam:从环境配置到生成首个语义地图的快速教程

semantic_slam是一个基于ROS的实时语义SLAM项目,专为手持RGB-D相机设计,能够快速构建环境的三维语义地图。本教程将帮助你在30分钟内完成从环境配置到生成首个语义地图的全过程,让你轻松掌握这一强大工具的使用方法。 ## 一、项目简介:什么是semantic_slam? semantic_slam是一个结合了ORB-SLAM、语义分割和八叉树地图生成技术的综合系统。它通过RGB

gitblog_00361的博客 893

【PointNet++】使用Open3D对分割后的结果可视化

PointNet++中的局部分割网络预测后是没有可视化文件的,所以需要自己通过编写Open3D或者PCL点云算法去可视化,在本人经过查找翻阅修改后,实现了网络输出点云分割后结果的可视化。已实现推测单个点云,并可视化。

纵马踏花向自由 2453

基于YOLOv8深度学习的火焰与烟雾检测系统详解:UI界面 + YOLOv8 + 数据集的实现

通过自动化检测火焰和烟雾,可以提高响应速度,减少潜在的火灾损失,保障人身和财产安全。此外,应用还会显示标记了检测框的视频画面,方便用户直观了解检测效果。同时,前端界面将使用Streamlit来实现,因其可以快速搭建交互式应用,适合我们的需求。要训练一个有效的火焰和烟雾检测模型,我们需要一个包含火焰和烟雾图片的数据集。为了保证模型的准确性和泛化能力,建议收集至少500张火焰和烟雾的图片,保证数据的多样性和代表性。训练过程中,模型会输出每个Epoch的训练损失和验证准确率,便于我们监控模型的学习情况。

YOLO 1321

orb-slam2_with_semantic_label 项目常见问题解决方案

orb-slam2_with_semantic_label 项目常见问题解决方案 项目基础介绍 orb-slam2_with_semantic_label 是一个基于 ORB-SLAM2 的视觉 SLAM(Simultaneous Localization and Mapping)系统,通过结合 YOLOv3 的语义标签,实现了对环境的 3D 密集语义地图构建。该项目的主要编程语言是 C++,同时...

gitblog_00415的博客 701

面向RKNN平台的YOLOv11 Pose部署实战:模型转换、优化与端侧姿态估计推理

本文研究了YOLOv11 Pose模型在Rockchip RKNN平台上的部署方案。通过分析模型架构和关键技术,提出完整的转换流程,包括ONNX格式转换、检测头优化和量化配置。在RK3588硬件平台上实现了100 FPS的实时姿态检测,验证了该方案的可行性。研究主要贡献包括:1)提出YOLOv11 Pose到RKNN平台的完整转换方案;2)优化后处理算法;3)实现高效的边缘计算部署。实验结果表明,该方案能有效解决边缘设备计算资源受限的问题,为人机交互等应用场景提供了实用的技术方案。

m0_71589036的博客 612

如何快速上手DS-SLAM?从环境配置到TUM数据集运行的完整指南

想要快速上手DS-SLAM这个强大的语义SLAM系统吗?🤔 这份终极指南将带你从零开始,完成环境配置到TUM数据集运行的完整流程!DS-SLAM(Dynamic Semantic SLAM)是一个基于ORB-SLAM2优化的完整鲁棒语义SLAM系统,专门为动态环境设计。它能够减少动态物体(如行走的人和其他移动机器人)对姿态估计的影响,同时提供八叉树地图的语义表示。 ## 📋 准备工作与环境依

gitblog_00712的博客 796

SAP GUI 字段遮罩功能详解及实现

默认情况下,系统使用作为掩码模式,遮罩整个字段内容长度;对于货币金额类型,掩码后会保留小数位并在整数位部分全部显示为,如****.**若需自定义掩码模式,可利用以下方式:维护“Maintain Masking Pattern”节点,在其中定义新的掩码方式(如:只露出后四位,其他位以X替代等);实现 BAdI(或类似命名,具体以系统版本为准)的方法,通过 ABAP 代码读取原始值,并依据业务逻辑生成掩码字符串返回,动态替换界面输出值;

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 707

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

orb-slam2_with_semantic_label配置

要求: * Ubuntu 14.04/Ubuntu 16.04/Ubuntu 18.04 * ORB-SLAM2 * CUDA 8 or CUDA 9, may not work with CUDA 10 * C++11(must) ...

啊,鱼的博客 3883

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

ubuntu下配置PCL点云库全收集

起因 我在跑orb-slam2-semantic的demo,遇到了环境库配置不完全的问题,根据报错来解决问题 参考 首先先放文章的网址,作为参考 https://www.cnblogs.com/nanmi/p/12918963.html 第一篇文章是讲的最详细的一篇文章,安装PCL库和附属的QT VTK等等库 https://blog.youkuaiyun.com/qq_36728314/article/details/89487719?utm_medium=distribute.pc_rele..

shuttworth的博客 386

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

【DG-SLAM】Unbuntu22.04部署DG-SLAM

本文记录了使用CUDA11.7和PyTorch1.13.1搭建DG-SLAM环境的过程。作者修改了environment.yaml配置文件,详细列出了所需的依赖项和版本,包括PyTorch相关组件、图像处理库、数学计算库等。虽然按照步骤完成了环境配置,但最终运行效果不佳,作者怀疑可能是操作问题,欢迎讨论。文中还提供了项目代码地址和CUDA安装参考链接。

nightcatNC的博客 1047

使用docker配置semantic slam

拉取的为ununtu16版本镜像,环境十分干净,可以通过以下命令查看容器列表如果想删除多余的docker image,可以使用指令。

qq_46454669的博客 2032

Kimera部署完整教程:从源码编译到ROS集成的终极方案

Kimera是一个开源的实时 metric-semantic 定位与建图库,由MIT SPARK Lab开发,能够为机器人系统提供精准的环境感知能力。本教程将带你完成从源码编译到ROS集成的全部流程,帮助你快速搭建属于自己的机器人感知系统。 [![Kimera系统架构图](https://raw.gitcode.com/gh_mirrors/ki/Kimera/raw/fc33760636068

gitblog_00470的博客 177

ubuntu16安装module ‘libopenni2’的过程

在跑orb-slam2 semantic配置环境的时候,遇到了这个报错 我先查询了一下自己确实没有这个库,用到了这个命令 pkg-config --modversion libopenni2 发现确实没有这个库,于是开始安装库 我直接执行这一条命令即安装成功,ubuntu16.04LTS的系统 sudo apt-get install libopenni2-dev 再执行查询命令,看到了 说明库安装成功 补充:如果你不能和我一样简单的将库安装成功,请看这里 $ ...

shuttworth的博客 1197

Apereo CAS 与 Google Analytics 4 集成指南:认证事件 Cookie 埋点全解析

本文围绕 Apereo CAS 项目中 `cas-server-support-google-analytics` 模块展开,讲解如何让 CAS 在用户成功认证后向浏览器写入一个携带用户属性的 Cookie,供 Google Analytics(GA4)采集自定义维度与指标,并在登出时自动清除该 Cookie。读完本文,你将掌握该模块的启用方式、`cas.google-analytics.*` 全

gitblog_01021的博客 298

如何快速掌握Python视觉SLAM:5步终极指南

你是否曾为视觉SLAM(同步定位与地图构建)的复杂环境配置而头疼?是否在尝试集成深度学习特征、语义理解和稠密重建时感到力不从心?**pySLAM**正是为解决这些痛点而生的全能Python视觉SLAM框架!这个开源项目将传统SLAM技术与现代深度学习完美融合,为研究者和开发者提供了前所未有的便利。 想象一下,只需一个Python环境,就能使用SuperPoint、D2-Net等20多种先进特征,

gitblog_00697的博客 365

一站式Python视觉SLAM框架:pySLAM终极指南

想要快速搭建一个功能完整的视觉SLAM系统吗?厌倦了在不同框架间切换和复杂的依赖管理?pySLAM正是为你量身打造的解决方案!这个开源框架将单目、双目和RGBD相机的视觉SLAM能力整合到一个统一的Python环境中,让你能够轻松实现从特征提取到稠密重建的完整流程。 ## 为什么选择pySLAM?解决你的实际痛点 在SLAM开发中,你是否遇到过这些挑战? - **环境配置复杂**:需要安装多个

gitblog_01083的博客 859

近期开源的LiDAR SLAM佳作赏析

最后,在所有展示的数据集中,我们的系统运行速度都超过了传感器的帧率。通过鸟瞰图(a1)、(b1)、(c1)以及特写图(a2) - (a7)、(b2) - (b7)、(c2) - (c7)展示了自适应激光惯性里程计(Adaptive-LIO)、无多分辨率地图的自适应激光惯性里程计(Adaptive-LIO w/o mmap)和其他算法(快速激光惯性里程计2(FAST-LIO2)、点云激光惯性里程计(Point-LIO)、深度学习激光惯性里程计(DLIO)和惯性图激光惯性里程计(IG-LIO))的建图细节。

3D视觉工坊 640

ORB-SLAM2语义增强革命:动态特征点智能剔除技术深度解析

在传统机器人导航和AR应用中,SLAM系统常常面临动态环境的巨大挑战。当环境中存在移动的车辆、行人等动态物体时,传统的ORB-SLAM2系统会产生大量错误的特征点匹配,严重影响定位精度和地图构建质量。今天我们要深入探讨的ORB-SLAM2语义增强项目,通过集成YOLOv5目标检测技术,实现了**动态特征点的智能剔除**,为机器人导航优化和AR场景理解带来了革命性的突破。 ## 动态环境下的SLA

gitblog_00555的博客 863
上一篇: docker login失败:err: exit status 1, Try “pass init“
下一篇: yolov3 3D 语义点云paper阅读
蓝羽飞鸟
博客等级 码龄8年 1万+粉丝 727原创
评论 12
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 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

打赏作者

蓝羽飞鸟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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