<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[pipoA的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/pipoA</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; pipoA]]></copyright><item><title><![CDATA[fast_gicp 解析：它到底快在哪里？]]></title><link>https://blog.youkuaiyun.com/pipoA/article/details/162528900</link><guid>https://blog.youkuaiyun.com/pipoA/article/details/162528900</guid><author>pipoA</author><pubDate>Thu, 02 Jul 2026 22:04:35 +0800</pubDate><description><![CDATA[fast_gicp的价值，不是让 GICP 变成魔法。它做的是更实际的事：把一个精度不错但偏慢的点云配准算法，优化成更适合实时 SLAM 的工程实现。FastGICP：传统 GICP 的多线程高性能版本FastVGICP：用体素分布减少最近邻搜索成本在合适平台上进一步利用 GPU 并行能力NDTCuda：CUDA 加速的 D2D NDT 实现局部地图匹配关键帧间相对位姿估计建图前端配准可靠初值正确时间同步准确外参点云去畸变合理下采样稳定局部地图真实 benchmark。]]></description><category></category></item><item><title><![CDATA[激光雷达重定位神器！small_gicp 从入门到真香]]></title><link>https://blog.youkuaiyun.com/pipoA/article/details/162357343</link><guid>https://blog.youkuaiyun.com/pipoA/article/details/162357343</guid><author>pipoA</author><pubDate>Sat, 27 Jun 2026 08:02:28 +0800</pubDate><description><![CDATA[/ GICP 因子 + OMP 并行归约// 最大匹配距离的平方GICPFactor可以替换为ICPFactor等，也可以换成，高度解耦。特性small_gicppcl::GICPfast_gicp单线程速度5/53/54/5多线程扩展性5/51/53/5依赖复杂度5/52/53/5Python 支持支持不支持不支持可定制性5/52/53/5PCL 兼容接口支持支持。]]></description><category></category></item><item><title><![CDATA[fast_gicp 已经够快了，为什么还要 small_gicp]]></title><link>https://blog.youkuaiyun.com/pipoA/article/details/162229740</link><guid>https://blog.youkuaiyun.com/pipoA/article/details/162229740</guid><author>pipoA</author><pubDate>Tue, 23 Jun 2026 12:09:14 +0800</pubDate><description><![CDATA[fast_gicp→small_gicp这条演进路线，跟 FAST-LIO → Point-LIO 的逻辑其实很像：不是因为旧的不够好，而是作者在做的过程中积累了更深的理解，把架构从底层重新捋了一遍，顺手解决了一堆之前遗留的设计债务。对用户来说，这是好事。换库的成本不大，得到的是更快、更干净、更好维护的工具。更何况，这次连许可证都从 Apache 2.0 换成了更宽松的 MIT——作者诚意满满，直接用就完了。]]></description><category></category></item><item><title><![CDATA[搞清楚这五个东西，你的机器人定位选型就不会再踩坑了]]></title><link>https://blog.youkuaiyun.com/pipoA/article/details/162198254</link><guid>https://blog.youkuaiyun.com/pipoA/article/details/162198254</guid><author>pipoA</author><pubDate>Mon, 22 Jun 2026 12:20:21 +0800</pubDate><description><![CDATA[搭 SLAM 系统底层配准模块需要开箱即用的 LiDAR 里程计→ KISS-ICP做回环检测 / 地图拼接（无初值）已有地图、纯定位、新手友好→ AMCL完整建图 + 动态环境 + ROS2这五个工具不是竞争关系，而是不同层次的搭档。真实的机器人系统里，你可能同时在用其中的好几个。]]></description><category></category></item><item><title><![CDATA[重定位：机器人“迷路“时如何找到自己]]></title><link>https://blog.youkuaiyun.com/pipoA/article/details/162169356</link><guid>https://blog.youkuaiyun.com/pipoA/article/details/162169356</guid><author>pipoA</author><pubDate>Sun, 21 Jun 2026 12:54:50 +0800</pubDate><description><![CDATA[我在哪？（位置）我朝向哪里？（姿态）这两件事合在一起，叫做机器人的位姿（Pose）。正常情况下，机器人依靠里程计（Odometry，比如轮子转了多少圈）和传感器（激光雷达、相机等）持续更新自己的位姿，这个过程叫做定位但如果定位失败了——比如机器人被抬起来搬走了，轮子空转，传感器数据中断——它就不知道自己在哪了。重定位就是在这种情况下，让机器人重新在已有地图中找到自己的过程。]]></description><category></category></item><item><title><![CDATA[Nav2跑不起来？别急着改参数，先把TF树查明白]]></title><link>https://blog.youkuaiyun.com/pipoA/article/details/162145039</link><guid>https://blog.youkuaiyun.com/pipoA/article/details/162145039</guid><author>pipoA</author><pubDate>Sat, 20 Jun 2026 12:35:21 +0800</pubDate><description><![CDATA[] TF 树是否完整连通（用验证）[ ]这条链是否存在[ ]/scan的frame_id是否和 TF 树里的雷达坐标系名字一致[ ]/odom的frame_id和是否正确[ ] TF 是否在持续更新（用验证）[ ] Nav2 的 lifecycle 节点是否已经 active[ ] 使用仿真时，是否启用了如果上面全部 ✅，那才轮到你打开，开始调控制器参数。Nav2 不走，首先查 TF，不是控制器参数。这句话能帮你省至少半天时间。TF 树是 Nav2 的眼睛，断了就啥都看不见。]]></description><category></category></item><item><title><![CDATA[3D 雷达导航跑起来了，但机器人为什么老是绕路、贴墙、停住？Nav2 costmap 实机调参思路]]></title><link>https://blog.youkuaiyun.com/pipoA/article/details/162124472</link><guid>https://blog.youkuaiyun.com/pipoA/article/details/162124472</guid><author>pipoA</author><pubDate>Fri, 19 Jun 2026 14:15:00 +0800</pubDate><description><![CDATA[3D 雷达接 Nav2 后，机器人能跑起来只是第一步。真正难的是让它在实机环境里稳定、自然、安全地跑。1. 机器人绕路、贴墙、停住，不一定是 controller 的问题；2. Nav2 的导航效果高度依赖 costmap 质量；3. 3D 雷达数据进入 costmap 前必须做好高度过滤和车体点云裁剪；4. footprint / robot_radius 决定机器人对自身尺寸的理解；5. inflation_layer 决定机器人离障碍物多远；]]></description><category></category></item><item><title><![CDATA[ROS2 3D LiDAR 导航实战：如何根据需求选择 FAST-LIO、LIO-SAM、Point-LIO、KISS-ICP]]></title><link>https://blog.youkuaiyun.com/pipoA/article/details/162098227</link><guid>https://blog.youkuaiyun.com/pipoA/article/details/162098227</guid><author>pipoA</author><pubDate>Thu, 18 Jun 2026 14:06:36 +0800</pubDate><description><![CDATA[Nav2 不会因为你用了 FAST-LIO 就自动感动。TF 能不能查？costmap 有没有数据？odom 是否连续？cmd_vel 是否能发到底盘？frame_id 是否一致？时间戳是否合理？我用了一个很厉害的 LIO我能稳定输出 Nav2 需要的数据链路3D 激光里程计选型不是看哪个算法名气最大，而是看你的机器人需求。有 IMU、要实时导航，FAST-LIO / FAST-LIO2 通常是务实选择。要大场景建图和回环，可以考虑 LIO-SAM 或 FAST-LIO 加全局模块。]]></description><category></category></item><item><title><![CDATA[FAST-LIO 很准，为什么不能直接让 Nav2 用？从 LIO 到底盘 odom 的桥接思路]]></title><link>https://blog.youkuaiyun.com/pipoA/article/details/162073637</link><guid>https://blog.youkuaiyun.com/pipoA/article/details/162073637</guid><author>pipoA</author><pubDate>Wed, 17 Jun 2026 17:06:24 +0800</pubDate><description><![CDATA[最后总结一下。FAST-LIO 很准，但不能简单粗暴地直接丢给 Nav2 用。原因不是 FAST-LIO 不行，而是 Nav2 对系统链路有明确要求：Nav2 需要标准 TF 树，不是只要一个位姿话题；FAST-LIO 输出的可能是雷达/IMU位姿，不一定是底盘位姿；应该保持局部连续；应该由全局定位、SLAM 或重定位系统维护；一条 TF 只能有一个发布者，不能多个节点抢同一条变换；3D LiDAR 用于 LIO 很合适，但 Nav2 costmap 通常还需要/scan；]]></description><category></category></item><item><title><![CDATA[Nav2 跑不起来？别急着改参数，先把 map→odom→base_footprint 这条 TF 链查明白]]></title><link>https://blog.youkuaiyun.com/pipoA/article/details/162032241</link><guid>https://blog.youkuaiyun.com/pipoA/article/details/162032241</guid><author>pipoA</author><pubDate>Tue, 16 Jun 2026 12:23:24 +0800</pubDate><description><![CDATA[Nav2 不是只要有/scan和/map就能跑，它依赖完整 TF 链。是 ROS2 地面机器人导航的核心链路。map负责全局定位，odom负责局部连续运动，负责机器人本体平面坐标。同一段 TF 不要让多个节点重复发布，尤其是和。LIO 可以作为 Nav2 的 odom 来源，但需要桥接成 Nav2 需要的 frame。遇到 Nav2 跑不起来，不要第一时间调 controller 参数，先查 TF、frame_id、时间戳和 lifecycle。]]></description><category></category></item><item><title><![CDATA[Kalman 家族全解析：KF、EKF、ESKF、UKF、IEKF 到底有什么区别？]]></title><link>https://blog.youkuaiyun.com/pipoA/article/details/162003743</link><guid>https://blog.youkuaiyun.com/pipoA/article/details/162003743</guid><author>pipoA</author><pubDate>Mon, 15 Jun 2026 13:25:11 +0800</pubDate><description><![CDATA[很多人一开始会听到一堆名词：KFEKFESKFUKFIEKFInvariant EKFMSCKFInformation FilterParticle Filter它们看起来都像“滤波器”，但本质解决的问题并不完全相同。一句话总结：Kalman Filter 的核心目标是：比如一个小车在运动，我们想估计它的位置和速度：


但是实际情况是：轮速计有误差；IMU 有噪声；相机有抖动；雷达点云匹配有漂移；GPS 不连续；传感器时间戳也可能不准。所以 Kalman Filter 做的事情就是：


它不是简单平均，]]></description><category></category></item><item><title><![CDATA[Kalman 滤波原理解析]]></title><link>https://blog.youkuaiyun.com/pipoA/article/details/161972917</link><guid>https://blog.youkuaiyun.com/pipoA/article/details/161972917</guid><author>pipoA</author><pubDate>Sun, 14 Jun 2026 11:06:14 +0800</pubDate><description><![CDATA[预测：根据模型估计当前状态更新：根据传感器修正当前状态权重：由不确定性自动决定一维 Kalman 滤波可以帮助我们理解基本概念。二维[x, v]模型可以进一步说明：即使传感器只测位置，也可以通过状态相关性间接估计速度。目标跟踪传感器融合机器人定位IMU 融合视觉/雷达里程计深度数据平滑我在估计什么状态？我的运动模型是什么？我的传感器观测了什么？把这三个问题想清楚，Kalman 滤波就不再是玄学公式，而是一个非常实用的工程工具。]]></description><category></category></item><item><title><![CDATA[FAST-LIO 原理解析：为什么机器人闭着眼也能知道自己在哪？]]></title><link>https://blog.youkuaiyun.com/pipoA/article/details/161951249</link><guid>https://blog.youkuaiyun.com/pipoA/article/details/161951249</guid><author>pipoA</author><pubDate>Sat, 13 Jun 2026 12:19:25 +0800</pubDate><description><![CDATA[FAST-LIO 是一种典型的激光雷达与 IMU 紧耦合里程计算法，广泛应用于机器人定位、三维建图、无人机和移动平台导航等场景。它的核心思想是利用 IMU 进行高频运动预测，解决点云运动畸变问题；再通过 LiDAR 点云与局部地图之间的几何残差，对位姿、速度、IMU 零偏等状态进行修正。本文将从 IMU 预测、点云去畸变、点到面残差、ESKF 误差状态更新和局部地图维护等角度，通俗解析 FAST-LIO 的整体工作流程，并结合工程实践说明外参、时间同步、IMU 参数和 TF 树对系统稳定性的影响。]]></description><category></category></item><item><title><![CDATA[FAST-LIO 和 Point-LIO 到底有什么区别]]></title><link>https://blog.youkuaiyun.com/pipoA/article/details/161903431</link><guid>https://blog.youkuaiyun.com/pipoA/article/details/161903431</guid><author>pipoA</author><pubDate>Thu, 11 Jun 2026 22:32:11 +0800</pubDate><description><![CDATA[FAST-LIO 和 Point-LIO 都是 LiDAR-IMU 紧耦合里程计算法，核心思想是用 IMU 进行高频预测，再用 LiDAR 点云残差修正位姿漂移。FAST-LIO/FAST-LIO2 更强调工程稳定性和实时建图能力，适合常规移动机器人、导航和建图任务；Point-LIO 则将状态更新推进到点级别，具备更高频率和更强高动态适应能力，适合高速运动、强振动等场景。]]></description><category></category></item><item><title><![CDATA[FAST-LIO 已经够快了，为什么还要 Point-LIO？]]></title><link>https://blog.youkuaiyun.com/pipoA/article/details/161887686</link><guid>https://blog.youkuaiyun.com/pipoA/article/details/161887686</guid><author>pipoA</author><pubDate>Thu, 11 Jun 2026 11:41:51 +0800</pubDate><description><![CDATA[FAST-LIO 和 Point-LIO 不是简单的新旧关系，而是处理粒度不同。如何高效、鲁棒地把 IMU 和 LiDAR 点云紧耦合起来。在剧烈运动下，如何避免整帧点云带来的帧内畸变和低带宽问题。需求推荐普通小车建图导航FAST-LIO2ROS2 + Nav2 工程部署FAST-LIO2Livox MID-360 常规建图FAST-LIO2高速无人机Point-LIO剧烈振动平台Point-LIO高频控制反馈Point-LIO研究高动态 LIOPoint-LIO。]]></description><category></category></item><item><title><![CDATA[FAST-LIO2：激光雷达 SLAM 里的“闪电侠”，到底快在哪？]]></title><link>https://blog.youkuaiyun.com/pipoA/article/details/161858251</link><guid>https://blog.youkuaiyun.com/pipoA/article/details/161858251</guid><author>pipoA</author><pubDate>Wed, 10 Jun 2026 12:31:34 +0800</pubDate><description><![CDATA[FAST-LIO2 是一种高效的 LiDAR-IMU 紧耦合里程计系统，能够利用 IMU 高频预测位姿，并通过原始点云与局部地图进行 scan-to-map 配准，实现实时定位与建图。相比传统 LOAM 系方法，FAST-LIO2 不依赖特征提取，而是直接构造点到平面的残差，并结合迭代误差状态卡尔曼滤波完成状态更新。同时，它使用 ikd-Tree 增量维护地图，提高了最近邻搜索和地图更新效率。]]></description><category></category></item><item><title><![CDATA[WWDC26 技术解读：Apple Intelligence、Siri AI 与苹果生态的下一步]]></title><link>https://blog.youkuaiyun.com/pipoA/article/details/161834435</link><guid>https://blog.youkuaiyun.com/pipoA/article/details/161834435</guid><author>pipoA</author><pubDate>Tue, 09 Jun 2026 16:11:25 +0800</pubDate><description><![CDATA[WWDC26 的核心不是“苹果又做了一个 AI 聊天机器人”，而是苹果正在把 AI 从一个独立 App，重新塞回操作系统、系统应用、开发框架和设备生态里。]]></description><category></category></item><item><title><![CDATA[做过 ROS2、SLAM、Nav2、YOLO，到底能投哪些机器人岗位？]]></title><link>https://blog.youkuaiyun.com/pipoA/article/details/161790228</link><guid>https://blog.youkuaiyun.com/pipoA/article/details/161790228</guid><author>pipoA</author><pubDate>Mon, 08 Jun 2026 10:06:43 +0800</pubDate><description><![CDATA[类似 ROS2、SLAM、Nav2、LiDAR、YOLO、深度相机、点云重定位这个方向，本质上不是一个单一岗位，而是机器人行业里非常典型的“系统型技术栈”。所以，如果你做过 ROS2、Nav2、LiDAR、TF、Gazebo、实机部署，那么“机器人软件工程师”是非常值得优先投递的方向。如果你会 Gazebo、RViz、URDF、TF、Nav2、传感器驱动、底盘接口，那么就可以围绕“仿真到实机闭环”来包装自己。欧洲岗位通常更看重英文简历、项目表达、实习身份、长期可用性，以及能不能用英文讲清楚自己做过什么。]]></description><category></category></item><item><title><![CDATA[机器人导航为什么要同时保存 2D 地图和 3D 点云地图？因为一个管走路，一个管找自己]]></title><link>https://blog.youkuaiyun.com/pipoA/article/details/161767987</link><guid>https://blog.youkuaiyun.com/pipoA/article/details/161767987</guid><author>pipoA</author><pubDate>Sun, 07 Jun 2026 13:03:09 +0800</pubDate><description><![CDATA[本文围绕机器人导航中“为什么要同时保存 2D 地图和 3D 点云地图”展开，讲解二者在 ROS 2 + Nav2 + 3D LiDAR 系统中的不同作用：2D 栅格地图主要服务于 Nav2 路径规划与代价地图构建，3D 点云地图则用于点云配准和全局重定位。文章通过工程化视角说明，导航不是只需要一张地图，而是需要定位、规划、感知协同工作。]]></description><category></category></item><item><title><![CDATA[Nav2 跑不起来？先查 TF 树]]></title><link>https://blog.youkuaiyun.com/pipoA/article/details/161739813</link><guid>https://blog.youkuaiyun.com/pipoA/article/details/161739813</guid><author>pipoA</author><pubDate>Sat, 06 Jun 2026 10:33:48 +0800</pubDate><description><![CDATA[本文围绕 ROS 2 3D LiDAR 导航中的 TF 树设计，讲解如何把 LIO 里程计、3D 重定位与 Nav2 接通。通过 `map→odom→base_footprint` 的关系，分析断树、重复发布、frame 混乱等常见坑，帮助初学者快速定位 Nav2 跑不起来的根因。]]></description><category></category></item></channel></rss>