文献阅读：Real-time Localization and Elevation Mapping within Urban Search and Rescue Scenarios

最新推荐文章于 2025-12-31 20:56:38 发布
原创 最新推荐文章于 2025-12-31 20:56:38 发布 · 318 阅读 · 5 ·
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：

#机器人 #算法

博客主要提及了机器人相关的高程图构建内容，高程图构建属于信息技术领域，可能在机器人导航、环境感知等方面有重要应用。

高程图构建

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

elevation mapping算法3之使用D435i相机离线或在线订阅点云和tf关系生成高程图
重点记录机器人和自动驾驶相关领域的技术，尤其是计算机视觉，视觉SLAM等，不仅有前言文献或必备算法的学习，也会有实际应用的点滴经验
08-08 3349
本文主要学习使用D435i相机发出的点云作为高程图的点云输入，如何离线输入点云生成高程图，进一步学习如何在线订阅点云生成高程图。
【文献阅读】Probabilistic Terrain Mapping for Mobile Robots With Uncertain Localization
leida_wt的博客
02-28 3117
文章目录1. 整体框架2. 符号与坐标系定义3. 由观测更新地图4. 由运动更新地图5. 地图融合6. 拓展到动态环境总结 “Probabilistic Terrain Mapping for Mobile Robots With Uncertain Localization”是ETH的四足机器人组的一个研究子项目，其动机是研究如何用机器人摄像机逐帧相对运动和3D点云观测对机器人的局部地面地形进...
elevation_mapping:以机器人为中心的海拔地图，用于崎rough地形导航
05-04
以机器人为中心的高程图 概述 这是一个软件包，用于通过移动机器人进行高程映射。 该软件设计用于具有定位估计（例如IMU和里程计）和距离传感器（例如结构光（Kinect，RealSense），激光距离传感器，立体摄像机）的机器人的（本地）导航任务。 所提供的海拔图在机器人周围受到限制，并且反映了通过机器人的运动而聚集的姿势不确定性（以机器人为中心的映射）。 开发此方法以显式处理机器人姿态估计的漂移。 这是研究代码，希望它会经常更改，并且不适合任何特定目的。 源代码是根据。 作者：PéterFankhauser 合著者：马克西米利安·沃尔夫（Maximilian Wulf） 所属： 维护者：Maximilian Wulf， 该项目最初是在苏黎世联邦理工学院（自治系统实验室和机器人系统实验室）开发的。 正在使用的高程图软件的视频： 引用 以下文件（）中描述了此软件中使用的以机器人为
elevation mapping 中加入语义label
Sylvia的博客
12-20 423
PointXYZRGBCE.hpp point XYZRGBCE, (float , x , x) y , y z , z rgb,rgb (uint 32t , edge,edge) 把edge换成able的名字 ElevationMapping.cpp //HASH GRID MAP pointcloud(<PointXYZR...
ANYbotics Elevation Mapping 高程栅格地图创建（ROS）——苏黎世联邦理工学院
li_lala的博客
10-16 6436
ETH高程地图ROS软件包 elevation mapping 地址：高程栅格地图 该软件包已经在ROS Kinetic和Ubuntu 16.04下进行了测试。 安装 依赖 该软件基于机器人操作系统（ROS），需要先安装。此外，以机器人为中心的高程映射依赖于以下软件： 网格地图（移动机器人的网格地图库） kindr（机器人的运动学和动力学库） kindr_ros（针对kindr的ROS包装器）...
Ubuntu18.04 ROS-melodic 安装配置elevation mapping
weixin_41485784的博客
04-27 1887
本文是小白安装配置整个elevation mapping的全部过程，所有遇到的报错，小白都花时间和精力去查询和解决，希望能对大家有所帮助，减少踩坑。
【文献阅读】Probabilistic Terrain Mapping for Mobile Robots with Uncertain Localization
lijiaming550的博客
08-03 387
以机器人为中心的局部高程图更新与融合算法，考虑了传感器测量不确定性与机器人位姿的不确定性。
OD-SLAM: Real-Time Localization and Mapping in Dynamic Environment through Multi-Sensor Fusion 论文笔记
TheRun的博客
03-14 4560
OD-SLAM: Real-Time Localization and Mapping in Dynamic Environment through Multi-Sensor Fusion 论文笔记 Abstract 摘要 本文提出了一种新型的SLAM系统，它主要利用神经网络和多传感器融合来实现机器人在动态环境下的定位。该SLAM系统是基于ORB-SLAM2开发的。它通过神经网络识别出图像中的高动态物体，并将其从图像中移除。由于神经网络不能每次都准确地识别动态物体，它将影响SLAM系统的姿势估计。因此，本文
论文阅读：（二）Kimera: an Open-Source Library for Real-Time Metric-Semantic Localization and Mapping
weixin_51240747的博客
06-16 1137
我们常用的SLAM库有ORB-SLAM、VINSMono、OKVIS、ROVIO等。 这篇论文要介绍的是另一个开源库Kimera，它提供了3D网格重建功能和语义标注功能。 它由四个模块组成： （1）VIO:用于快速和准确状态估计的视觉惯导测距模块。 （2）RPGO:全局轨迹估计的姿态图优化器 （3）Mesher：快速网格重建的轻型3D网格划分器模块 （4）Semantics：密集的3D度量语义重建模块 算法流程： 输入：RGB图像、IMU（2） 使用四个线程以不同速率容纳输入和输出（4） 输出：（5） .
Low-drift and real-time lidar odometry and mapping 翻译注解1
08-03
《Low-drift and Real-time Lidar Odometry and Mapping》这篇论文提出了一种低漂移、实时的激光雷达里程计和映射方案。该方案利用6自由度的3D激光扫描仪进行测量，解决了由于激光测距信号返回时间点不同以及运动...
#论文学习#第二篇：CNN-SLAM: Real-time dense monocular SLAM with learned depth prediction
qq_34716695的博客
03-24 5609
CNN-SLAM: Real-time dense monocular SLAM with learned depth prediction CNN-SLAM：基于学习深度预测的实时稠密单目slam Abstract： 本文研究了如何利用深度神经网络预测对深度地图进行精确和稠密的单目重建。我们提出了一种方法，将cnn预测的稠密深度地图与直接单目SLAM获得的深度测量自然融合在一起。我们的融合方案在单眼SLAM方法容易失败的图像位置上具有深度预测的优势，例如沿着低纹理区域，反之亦然。我们证明了使用深度预
Kimera: an Open-Source Library for Real-Time Metric-Semantic Localization and Mapping ,2019
phy12321的博客
03-20 5672
Laboratory for In-formation & Decision Systems (LIDS), Massachusetts Institute of Technology, Cambridge Kimera was partially funded by the DCISTCollaborative Research Alliance,MIT Lincoln Laborat...
elevation_mapping 安装辛酸史
BetterEthan的博客
04-16 4167
地址 https://github.com/ANYbotics/elevation_mapping 安装依赖： Grid Map(grid map library for mobile robots) kindr(kinematics and dynamics library for robotics), kindr_ros(ROS wrapper for kindr), Poin...
安装elevation_mapping与traversability_estimation
weixin_45678627的博客
02-14 2858
1 安装elevation_mapping 安装过程按照： 按网站 https://github.com/ANYbotics/elevation_mapping 步骤进行安装 （1）通过源码进行安装grid_map： GitHub - ANYbotics/grid_map: Universal grid map library for mobile robotic mapping （2）按网站 https://github.com/anybotics/kindr 步骤安装kindr （3）安装PCL，其中
发那科机器人气保焊二元混合气节气
2403_88713304的博客
12-31 367
发那科机器人凭借气保焊作业的轨迹精准度和焊缝一致性，在新能源汽车电池壳、高压管件、精密五金等高端焊接场景占据重要地位。
[WIP] 机器人领域的一些Key insights
eepii的博客
12-27 259
宇树机器人又刷第一！具身智能靠强化学习解锁直立行走与快速奔跑
最新发布
xiesibo2012的博客
12-31 568
宇树机器人H1凭借强化学习技术，在2025年世界人形机器人运动会夺得四项金牌，峰值速度突破5m/s。其核心技术在于通过仿真环境中的强化学习训练，分阶段解锁步态能力：先简化模型生成基础步态，再通过策略蒸馏实现奔跑优化。测试验证采用"仿真-场景-赛事"三级体系，最终在复杂赛场上展现卓越性能。这一突破证明强化学习是具身智能运动能力突破的关键，未来结合多模态大模型，机器人将具备更强的环境适应与决策能力。
IPO视角| 卧安机器人赴港IPO曲线救国：先卖窗帘、再造人
liukuang110的博客
12-30 459
但由于卧安机器人对日本市场和亚马逊渠道的过度依赖，以及转型人形机器人的不确定性，最终还要看他们的具身机器人能否真正赢得市场。而真正的AI产品还是配角，卧安宣传的AI陪伴机器人（Kata Friends）、AI网球机器人（Acemate）虽然拿了国际大奖，技术含量高，但目前在营收中的占比还比较小。在国内的机器人市场，也有越来越多的机器人公司开始奔赴资本市场，除了宇树科技这样的明星公司，也有卧安机器人这种脚踏实地的公司。当前的卧安机器人，它有真实的利润、高毛利和成熟的海外市场渠道，具备消费品的属性。
2025：把“大模型”写进“数据闭环”——从自动驾驶到具身机器人，我如何用数据与算法做可落地的智能系统
数据与算法架构提升之路专栏
12-29 1351
2025年AI领域最显著的变化是从单一模型向可持续迭代的闭环系统转变。本文系统梳理了"数据→模型→行动→数据"的完整闭环链路，重点分析了四大关键层：数据底座（可追溯/可增量/可观测）、模型侧（本地推理可靠性）、自动驾驶（数据再生产）、具身智能（VLA可训练性）。作者通过实践总结出可落地的工程准则，包括数据湖布局策略、量化部署模板、Occupancy自动标注方案等，并将读者互动转化为闭环系统的需求输入端。文章强调真正的智能价值在于系统化的稳定生产能力，而非孤立模型效果。
Photo-SLAM: Real-time Simultaneous Localization and Photorealistic Mapping for Monocular, Stereo, and RGB-D Cameras
03-20
### Photo-SLAM 技术概述 Photo-SLAM 是一种先进的实时 SLAM（Simultaneous Localization and Mapping）系统，能够在单目、双目以及 RGB-D 相机上实现高效的定位与高质量的地图构建。它通过结合光度优化和几何建图方法，在多个维度上提升了系统的性能。 #### 定位效率与地图质量 Photo-SLAM 的核心优势在于其能够实现实时的高精度定位和高真实感的地图生成。具体而言，该系统在不同类型的传感器数据上进行了广泛验证，证明了其卓越的表现[^1]。无论是基于单目的稀疏特征点追踪还是利用 RGB-D 数据的深度信息，Photo-SLAM 均能提供稳定的姿态估计并生成细致的地图模型。 #### 单目相机的应用 对于单目相机，由于缺乏直接的距离测量能力，传统的 SLAM 方法通常依赖于三角化技术来恢复场景尺度。然而，这可能导致较大的累积误差。相比之下，Photo-SLAM 利用了光度一致性约束，即使仅依靠单一视角下的图像序列也能有效减少漂移现象，并保持较高的定位准确性[^4]。 ```python def single_camera_photo_slam(image_sequence): """ Simulates the core process of Photo-SLAM using a monocular camera. Args: image_sequence (list): A list of images captured by the mono-camera. Returns: tuple: Estimated trajectory, dense map representation. """ estimated_trajectory = [] dense_map = [] for frame in image_sequence: # Perform photometric optimization to refine pose estimation optimized_pose = perform_photometric_optimization(frame) # Update global map with new observations updated_dense_map = update_global_map(optimized_pose, frame) estimated_trajectory.append(optimized_pose) dense_map.extend(updated_dense_map) return estimated_trajectory, dense_map ``` #### 双目相机的优势 当扩展至双目配置时，额外的基线距离允许系统即时获取部分深度信息，从而进一步增强初始状态估计的可靠性。在此基础上，Photo-SLAM 继续发挥其独特的能力——即通过对齐重建后的彩色点云与当前观测值间的差异来进行精细化调整[^2]。 #### RGB-D 数据处理 针对配备有深度传感功能的 RGB-D 设备，Photo-SLAM 不仅继承了上述优点，还能充分利用预计算好的精确深度场完成更加复杂的任务，比如室内环境扫描或者动态障碍物规避等应用场景。此外，得益于现代硬件平台的支持，整个流程可以在资源受限的小型移动装置上流畅运行，展现出极强的实际部署价值[^3]。 --- ###
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
 
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