SLAM的一些基础知识

最新推荐文章于 2025-10-11 17:11:11 发布
原创 最新推荐文章于 2025-10-11 17:11:11 发布 · 297 阅读 · 0 ·
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

高精地图构建：Lidar SLAM与视觉SLAM对比
优快云博客专家，系统架构师，有合作、疑惑请私信博主。
10-08 17万+
高精地图构建：Lidar SLAM与视觉SLAM对比​ ，人工智能，计算机视觉，大模型，AI，本文围绕高精地图构建，对比 Lidar SLAM 与视觉 SLAM。Lidar SLAM 通过激光获取点云数据，精度高、环境适应性强但成本高、数据量大；视觉 SLAM 利用图像，成本低、信息丰富却受光照影响大、深度获取难。还解析了 SLAM、点云等关键概念，介绍了两者融合趋势、应用案例、技术挑战及未来方向，也给出常见问题解答，为相关领域应用与学习提供参考。
SLAM入门基础知识介绍
专注图形图像开发
07-03 2173
分享一点资源，希望对你们有帮助， 高翔教授的视觉SLAM十四讲 PDF完整高清版 资源在云盘链接中，密码：4o50 有需要的自取，链接如果失效请及时与我联系 云盘链接 ...
SLAM经典入门教程（入门）
01-03
经典的SLAM入门教程，以扩展卡尔曼滤波器为基础的SLAM算法理论，有条件可以看coursera相关课程。一共四讲，深入浅出解答了什么是SLAM的基本原理，并有配套作业和matlab代码，供测试。
SLAM入门学习资料分享
weixin_33877885的博客
12-02 376
参考：http://blog.youkuaiyun.com/xidianzhimeng/article/details/52447335 介绍 随着信息技术的飞速发展，SLAM（即时定位与地图构建）技术已经在多个领域发挥着不可替代的作用，包括无人驾驶、增强现实、三维重建等等。常言道“师父领进门，修行在个人”，但是对于还没有入门的小白来讲，SLAM怎样入门是一...
SLAM基础原理介绍
最新发布
具身小站
10-11 1191
为获取最优全局估计，系统定期将子地图与全局地图进行配准，并对两个地图共有的特征点执行约束更新，完成更新后，系统将生成新的子地图并继续迭代。状态增强：状态增强本质上是一种稀疏操作，由于车辆运动模型仅影响位姿状态，协方差预测可以改写为具有地标数量线性复杂度的形式，将新地标点添加到状态向量中的过程具有类似的形式，新地图地标点的初始化是根据机器人姿态和观测值进行的，状态增强的基本思想可以应用于任何新状态是现有状态子集的函数的情况，状态通过新增的姿态x 进行扩展，并通过边缘化处理移除前一时态x。
SLAM基础
weixin_38241876的博客
05-17 224
一、刚体运动 在三维空间中只有平移和旋转的运动 二、图像的特征 像素变化大，像素梯度大的，如角点、区块、边缘。它具有尺度不变性、旋转不变性和亮度不变性。 三、特征提取 对特征的定位和描述 四、ORB（一种特征描述子）特征的主要步骤 oFAST方法做定位 rBRIEF用于描述特征 FAST的基本思想： 计算关键点和它周围一圈像素（比如取16个像素）的差异，如果这16个像素连续有n...
SLAM基础知识
bereze的博客
08-08 740
外点处理（估计基础矩阵） 参考 RANSAC&鲁棒核函数 外点 传感器测量值可能会受多种因素干扰而不可靠，同时特征匹配也会存在误匹配的情况，如果不正确地检测并剔除他们，视觉SLAM中的很多算法（如计算本质矩阵、三角测量、PnP等）将会失败。 我们将非常不可能的测量值（根据测量模型）称为外点（outlier）。 对外点的一种常用判断标准是（一维数据中）将超出平均值三个标准差的测量值作为外点。 处理外点的两种最常用方案为： 1、RANSAC，选择正确的匹配进行估计。 2、M-估计，降低错误匹配的权重。
SLAM基础知识汇总【长期更新】
TheRun的博客
10-30 2396
SLAM基础知识
2-高翔：视觉SLAM基础知识.pdf
12-15
视觉SLAM（Simultaneous Localization And ...总的来说，视觉SLAM是一个复杂的系统工程，涉及到图像处理、几何学、概率论、优化理论等多个领域的知识，需要综合运用多种算法和技术来实现机器人的自主导航和环境理解。
精选资源
计算机视觉slam面试工作需要掌握的基础知识 计算机视觉.pdf
04-21
"计算机视觉slam面试工作需要掌握的基础知识" 计算机视觉slam面试工作需要掌握的基础知识是许多计算机视觉工程师的必备技能之一。计算机视觉slam是计算机视觉领域中的一个重要分支，它涉及到对视觉信息的处理和分析...
【视觉惯性SLAM：三、SLAM中常用的数学基础知识】
计算机领域博客，与时俱进的思想与技术。
12-25 458
齐次坐标通过增加一个额外的维度，使得𝑛维空间中的点可以用𝑛+1维的向量表示。例如：通常，通过归一化，取𝑤=1或𝑤≠0的任意值来代表实际坐标。前端跟踪时使用 旋转矩阵，因其直观，适合特征点变换。后端优化中使用 四元数 或 旋转向量，因其存储效率高、无奇异性。插值时使用四元数在 SLAM 系统中齐次坐标简化了点、直线和平面的表示，统一了旋转和平移的数学表达。刚体旋转的多种表示方式（旋转矩阵、四元数、旋转向量等）分别适用于不同场景。
SLAM入门介绍
01-24
本文档简单的介绍SLAM和深度学习，便于初学者理解和进一步研究。
【SLAM技术】【1】 基础知识
gongdiwudu的专栏
03-31 5290
您对于slam没有任何概念吗？那么，该文针对自动驾驶行业、移动机器人行业，抽取出一些最简短的概念，用来解释slam的产生，作用和发展轮廓。
SLAM的一些基础知识（学习笔记，待填坑）
qq_46795000的博客
06-05 968
SLAM（同步定位与建图）是一种机器人感知技术，通过传感器数据实现自主定位与环境建模。其核心框架包括传感器读取、前端里程计、后端优化、回环检测和地图构建五个模块。数学上可建模为两个方程：运动方程（描述位姿变化）和观测方程（描述环境特征）。根据系统特性可分为线性高斯系统（用卡尔曼滤波求解）和非线性非高斯系统（常用扩展卡尔曼滤波或图优化方法）。现代SLAM更倾向于非线性优化方法，因其能更好地处理复杂噪声和线性化误差。系统自由度涉及三维空间的6个运动维度（3平移+3旋转）。
SLAM入门
量子象限
07-06 1275
slam框架 slam研究任务 建图：估计环境 定位：估计自身状态 刚体运动描述： 旋转矩阵——冗余 旋转向量——不直观 欧拉角——有奇异 四元数——较好描述 Eigen库 Eigen 以矩阵为基本数据单元。它是一个模板类。它的前三个参数为：数据类型，行，列。 Eigen 通过typedef 提供了许多内置类型，不过底层仍是Eigen::Matrix，例如 Vector3d 实质上是E...
SLAM入门_01
碧海潮生
01-11 525
SLAM Simultaneous Localization and Mapping 知识储备 C&C++/Linux/cmake/vim&emacs/openCV&PCL&Eigen/ROS 硬件 激光雷达或者单目/双目摄像头 实现 是定位(Localization)，建图(Mapping)，路径规划(Navigation)。 应用 室内机器人/AR/无人...
【SLAM学习】（一）基础知识
随便记记
10-23 1023
文章目录基础知识篇外积欧氏变换旋转矩阵变换矩阵和齐次坐标旋转向量欧拉角四元数 基础知识篇 外积 外积大小为 ∣a∣∣b∣sin<a,b>|a||b|sin<a,b>∣a∣∣b∣sin<a,b>，可以表示两个向量张成四边形的有向面积，引入符号，定义 aaa^表示为一个反对称矩阵，这样就把向量的外积变换成了矩阵和向量的乘法。 同时外积可以表示向量的旋转，在右手法则...
SLAM入门_02
碧海潮生
01-11 367
目录   传感器 激光雷达 视觉SLAM 单目 双目（或多目） RGBD 传感器 激光雷达 激光雷达能以很高精度测出机器人周围障碍点的角度和距离，从而很方便地实现SLAM、避障等功能。主流的2D激光传感器扫描一个平面内的障碍物，适用于平面运动的机器人（如扫地机等）进行定位，并建立2D的栅格地图。激光的优点是精度很高，速度快，计算量也不大，容易做成实时SLAM。缺点是价格昂贵。 ...
激光视觉融合slam基础知识
03-08
### 激光视觉融合SLAM基础知识教程入门介绍 #### 什么是激光视觉融合SLAM？ 激光视觉融合SLAM（Simultaneous Localization and Mapping）是指通过结合激光雷达(LiDAR)和相机(Visual)两种传感器的数据，在未知环境中同步实现机器人的自定位与环境建图的技术。这种多模态数据的融合能够充分利用各自的优势，提高系统的鲁棒性和精度。 - **激光雷达** 提供高精度的距离测量信息，适用于构建精确的地图模型并用于位置估计。 - **摄像头** 则能捕捉丰富的纹理细节，有助于识别场景中的物体及其变化情况。 两者相辅相成，共同作用于解决复杂环境下机器人自主导航面临的挑战[^1]。 #### 工作原理概述 在一个典型的激光视觉融合SLAM系统中： - 首先由**前端部分**负责感知周围世界的状态。对于视觉输入而言，这通常涉及到特征点检测、描述子计算以及跟踪；而对于LiDAR，则主要是执行点云分割和平面拟合等操作。 - 接着进入**后端优化阶段**，这里会综合考虑来自不同源的信息来进行全局姿态调整。比如采用扩展卡尔曼滤波(EKF)或图形优化(Graph Optimization)，使得最终输出的位置更加稳定可靠。 - 此外还有专门针对特定应用场景设计的方法论，像V-LOAM就提出了一种将视觉里程计与基于扫描匹配的LiDAR里程计结合起来的整体架构，从而改善了实时运动估算及点云注册的表现效果[^2]。 #### 实现方式举例——最大重用LIO地图下的VIO框架 为了进一步提升效率，某些方案尝试直接利用已有的LIO(Localization & Mapping with LiDAR-Inertial Odometry)成果作为基础来辅助VIO(Visual Inertial Odometry)工作。具体做法是把先前建立好的地图点重新映射至当前帧所对应的视角范围内，并以此为基础求解最优变换矩阵使新旧视图间差异最小化。如此一来既省去了繁杂的目标提取过程又实现了跨传感模式的有效衔接[^3]。 ```python def fuse_vision_lidar(vision_data, lidar_map_points): """ 将视觉数据与现有的LiDAR地图点进行融合 参数: vision_data (list): 来自摄像机的一系列图像特征集合 lidar_map_points (numpy.ndarray): 存储有历史记录下来的三维坐标集 返回值: optimized_pose (Pose object): 经过联合校正后的最新位姿预测结果 """ # ... 省略实际算法逻辑 ... ``` #### 多传感器集成趋势 随着研究不断深入和技术进步，越来越多的研究者倾向于探索更多种类设备间的协作可能性。例如引入惯性测量单元(IMU)甚至全球卫星定位系统(GPS)参与进来形成更为完整的感知体系。这类复合型解决方案不仅增强了抗干扰能力还拓宽了适用范围，成为当下热门发展方向之一[^4]。 ---
评论
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