realsense d455 semantic_slam实现语义八叉树建图

从gazebo搭建到点云地图、八叉树地图建立(仿真) 阅读详情
AI摘要

本文介绍如何使用D455摄像头与ORB_SLAM2结合,实现语义分割并构建八叉树地图,涉及SDK安装、深度图选择、参数调整及深度图缩放等关键步骤。

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上下载下来,
和realsen_ros同放在catkin_ws/src下make即可

直到roslaunch realsense_camera rs_rgbd.launch能启动

关于深度图用哪个topic的问题:
深度图有的地方说要用/camera/depth/image_rect_raw
也有的说用/camera/aligned_depth_to_color/image_raw
(具体相机发布了哪些topic可以用rostopic list命令确认)
注意用roslaunch realsense_camera rs_camera.launch启动相机是没有/camera/aligned_depth_to_color/image_raw的

在rviz里观察了一下

【基于视觉语义特征的室外SLAM建图算法研究】 首先什么是语义SLAM,我们知道传统的视觉SLAM是基于关键点、描述子等低级图像特征来进行定位和建图的,那么对于一些更高层次的带有明确意义的语义信息,比如现实世界中真实的物体,将它作为特征来进行优化的SLAM就称为语义SLAM,它更接近于人类的感知,因为人类对地图的观测不是看一堆点云的点,或者位姿的四元数,人类看的地图,就是这里有地铁站,那前里有红绿灯。 现如今语义SLAM的工作主要分为semantic mapping和real semantic slam,语义建图中一部分工作就是将2D图像的语义分割结. 阅读详情

相关推荐

D455+VINS-Fusion+surfelmapping 稠密建图(三)

【代码】D455+VINS-Fusion+surfelmapping 稠密建图(三)

weixin_62952541的博客 1833

动态SLAM论文(4) — DS-SLAM: A Semantic Visual SLAM towards DynamicEnvironments

— SLAM被认为是智能移动机器人的基本能力。在过去的几十年里,许多令人印象深刻的SLAM系统已经被开发出来,并在特定环境下取得了良好的性能。然而,仍然存在一些问题尚未得到很好的解决,例如如何处理动态环境中的移动物体,如何使机器人真正理解周围环境并完成高级任务。本文提出了一种面向动态环境的稳健语义视觉SLAM(DS-SLAM)。DS-SLAM中有五个线程并行运行:跟踪、语义分割、局部建图、闭环检测和密集语义地图创建。

几度春风里的博客 4222

智能优化算法-北方苍鹰优化算法(NGO)(附源码)

北方苍鹰优化算法 (Northern Goshawk Optimizer, NGO) 是一种基于群体智能的元启发式优化算法,它模拟了北方苍鹰(Northern Goshawk)的捕食行为、领地行为以及社交互动,用于解决复杂的优化问题。总之,NGO作为一种新颖的优化算法,在处理复杂优化问题方面展现出了潜力。随着进一步的研究和应用,NGO有望成为解决实际问题的有效工具。

w971656545的博客 1360

实战指南:如何用Elasticsearch+Milvus搭建十亿级多模态搜索系统(含性能调优)

本文详细介绍了如何利用Elasticsearch和Milvus构建十亿级多模态搜索系统,包括架构设计、性能调优和实战部署。通过混合架构实现高效文本检索与向量相似度计算,显著提升查询性能与扩展能力,适用于大规模多模态数据处理场景。

x8y9z0的博客 1169

FPGA:UART串口接收(高干扰情况)

在上一篇文章中介绍过UART串口接收模块,其中一个需要优化的方向就是在高干扰情况下,如何实现可靠的UART串口接收任务。

weixin_50164178的博客 1671

【00】虹软2023届校招专场 ,计算机类笔试攻略(笔试考试时间、考察范围、笔试难度 等说明)

虹软科技2023校招笔试攻略:三大岗位类别(算法、算法优化、开发)分别于7月24日进行。题型包括选择题、编程题和问答题,其中算法类题目降低难度,编程题改为LeetCode模式。重点考察数学基础、机器学习、编程能力(C/C++/Python)、数据结构和算法优化等。建议根据投递岗位选择问答题,算法优化类注重系统知识和SIMD优化,开发类侧重多线程等实际应用能力。笔试结果将作为校招offer的重要参考。

程序员,他们想的是什么?他们想的永远都是技术,他们崇尚的也永远都是技术。 276

机器学习算法原理:详细介绍各种机器学习算法的原理、优缺点和适用场景

现在,我们将进入到机器学习的核心部分——算法原理。在本篇文章中,我们将详细探讨各种机器学习算法的原理、优缺点和适用场景。

a871923942的博客 2965

Lasso的原理及其与其他特征选择方法的比较进行阐述,然后讨论Lasso优点、缺点以及应用场景,最后给出了代码实例

在机器学习领域中,特征选择(feature selection)是指在模型训练前对数据集进行分析,选择其中有助于预测目标变量或影响模型性能的特征,去除不相关或冗余的特征,提升模型的泛化能力。而Lasso回归是一种很流行的用于特征选择的方法之一。Lasso回归(又称LASSO,least absolute shrinkage and selection operator)是一种线性模型中的特征选择方法。

AI天才研究院 3050

【WorkBuddy专栏68】HY3绕路部署vsDS4直击根因——一次真实踩坑揭露两个AI模型的推理差距

【WorkBuddy专栏68】HY3绕路部署vsDS4直击根因——一次真实踩坑揭露两个AI模型的推理差距

AI人人懂 557

【拼多多笔试题汇总】2024-03-24-拼多多春招笔试题

A 小镇上有个奇特的游戏。游戏开始时,A 先生准备了一排 nnn 个物品。K 小姐和卢小姐则轮流进行操作。首先,K 小姐可以选择移除至多 xxx 个物品。接着,卢小姐也可以选择移除剩余物品中的至多 yyy 个。游戏的目标是,K 小姐想尽量让剩余物品的价值之和最大化,而卢小姐则想将剩余物品的价值之和最小化。假设两人都采取最优策略,请问最后剩余物品的价值之和是多少?第一行包含五个正整数 n,m,k,x,yn, m, k, x, yn,m,k,x,y,分别表示物品的总数、K 小姐最多可移除的物品数、卢小姐最多可移

春秋招笔试突围 1万+

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

上一篇: orb slam build bug: undefined reference to symbol ‘_ZN5boost6system15system_categoryEv‘
下一篇: leetcode 1689. Partitioning Into Minimum Number Of Deci-Binary Numbers(最少的“二进制数“个数)
蓝羽飞鸟
博客等级 码龄8年 1万+粉丝 727原创
评论 1
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