LIO-SAM的因子图优化拆解:IMU预积分与激光匹配如何协同工作?

深入因子图:拆解LIO-SAM中IMU、激光雷达与GPS是如何被“拧”在一起的 本文深入解析了LIO-SAM框架中IMU、激光雷达与GPS的多传感器融合机制,通过因子图优化实现厘米级定位精度。详细介绍了IMU预积分、激光里程计滑动窗口优化及GPS自适应融合等关键技术,揭示了其在自动驾驶和机器人定位中的高效应用。 阅读详情

LIO-SAM因子图优化机制深度解析:从IMU预积分到多传感器协同优化

1. 紧耦合SLAM系统的设计哲学与架构演进

在自主移动机器人和智能驾驶领域,实时精确的定位与建图始终是核心挑战。传统松耦合SLAM方案将各传感器数据处理为独立模块,最终通过简单融合输出结果,这种架构在传感器特性互补性利用和误差协同优化方面存在明显局限。LIO-SAM作为紧耦合激光雷达惯性里程计的典范,通过因子图框架实现了多源传感器数据的深度融合,其系统架构呈现出鲜明的层次化特征:

传感器层协同机制:

  • IMU以100Hz以上高频输出角速度和线性加速度,为激光雷达提供瞬时运动捕捉
  • 激光雷达(10-20Hz)通过点云特征提取构建环境结构约束
  • GPS(可选1-10Hz)在开阔区域提供绝对位置参考
  • 回环检测模块通过场景识别修正累积误差

因子图优化框架:

// 典型因子图构建示例(简化版)
NonlinearFactorGraph graph;
Values initialEstimate;

// 添加IMU预积分因子
graph.add(ImuFactor(X(0), V(0), X(1), V(1), B(0), preintegrated));

// 添加激光里程计因子
graph.add(BetweenFactor<Pose3>(X(1), X(2), odometryTransform, odometryNoise));

// 添加GPS因子
graph.add(GPSFactor(X(5), gpsMeasurement, gpsNoise));

// 添加回环因子
graph.add(BetweenFactor<Pose3>(X(10), X(50), loopTransform, loopNoise));

表:LIO-SAM中各传感器数据特性与因子贡献对比

传感器类型数据频率测量维度主要优势核心约束因子
IMU100-500Hz6DOF高频运动捕捉预积分因子
激光雷达10-20Hz3D结构精确环境建模里程计因子
GPS1-10Hz2D/3D位置绝对位置参考GPS因子
回环检测异步触发6DOF累积误差修正回环因子

系统采用关键帧策略平衡计算负荷与精度需求,当位姿变化超过阈值(平移1m或旋转10度)时创建新关键帧。这种设计使得因子图规模得到有效控制,同时保证环境表达的完整性。在时间同步方面,系统通过硬件时间戳对齐和线性插值确保多源数据的时间一致性,特别是对非同步GPS数据的处理展现了工程实现的精巧性。

2. IMU预积分:紧耦合系统的时序基石

IMU预积分技术是激光-惯性融合的核心创新,其数学本质在于将两关键帧之间的IMU测量累积转换为相对运动约束,避免每次优化时重复积分。LIO-SAM中的IMU处理流程包含三个关键阶段:

原始数据预处理:

// IMU数据坐标系转换(摘自imuPreintegration.cpp)
sensor_msgs::Imu imuConverter(const sensor_msgs::Imu& imu_in) {
    sensor_msgs::Imu imu_out = imu_in;
    // 加速度计数据旋转
    Eigen::Vector3d acc(imu_in.linear_acceleration.x, 
                       imu_in.linear_acceleration.y,
                       imu_in.linear_acceleration.z);
    acc = extRot * acc;  // 转到雷达坐标系
    imu_out.linear_acceleration.x = acc.x();
    // 陀螺仪数据旋转(类似处理)
    ...
    return imu_out;
}

预积分实现机制:

  1. 增量运动计算: $$ \Delta R_{ij} = \prod_{k=i}^{j-1}Exp((\tilde{\omega}_k - b_k^g - \eta_k^g)\Delta t) $$
  2. 速度变化量: $$ \Delta v_{ij} = \sum_{k=i}^{j-1}\Delta R_{ik}(\tilde{a}_k - b_k^a - \eta_k^a)\Delta t $$
  3. 位置变化量: $$ \Delta p_{ij} = \sum_{k=i}^{j-1}[\Delta v_{ik}\Delta t + \frac{1}{2}\Delta R_{ik}(\tilde{a}_k - b_k^a - \eta_k^a)\Delta t^2] $$

零偏估计与反馈机制:

  • 激光里程计优化结果反向估计IMU零偏
  • 零偏变化量建模为随机游走过程
  • 预积分结果随零偏更新进行一阶近似调整: $$ \Delta R_{ij}(b_i^g) \approx \Delta R_{ij}(\hat{b}i^g)Exp(\frac{\partial \Delta R{ij}}{\partial b^g}\delta b^g) $$

IMU预积分在因子图中的约束作用:

  • 建立连续关键帧间的相对运动约束
  • 提供点云匹配的初始猜测(提升ICP收敛效率)
  • 在激光雷达特征匮乏场景(如长廊、隧道)保持运动估计连续性

3. 激光里程计因子的构建与优化

激光里程计因子是系统中最核心的环境约束来源,其构建过程体现了LIO-SAM对LOAM算法的继承与创新:

特征提取与优化:

// 特征提取核心逻辑(featureExtraction.cpp)
for (int i = 5; i < cloudSize - 6; ++i) {
    // 计算曲率
    float diffX = laserCloud->points[i-5].x + laserCloud->points[i-4].x 
                + laserCloud->points[i-3].x + laserCloud->points[i-2].x 
                + laserCloud->points[i-1].x - 10*laserCloud->points[i].x 
                + laserCloud->points[i+1].x + ...;
    float curvature = diffX * diffX + diffY * diffY + diffZ * diffZ;
    
    // 根据曲率分类
    if(curvature > edgeThreshold) {
        edgeFeatures->push_back(laserCloud->points[i]);
    } else if(curvature < surfThreshold) {
        planarFeatures->push_back(laserCloud->points[i]);
    }
}

滑动窗口地图管理:

  • 维护25个最近关键帧组成的局部地图
  • 体素滤波分辨率:边缘特征0.2m,平面特征0.4m
  • 关键帧选择策略:
    • 平移距离阈值:1.0m
    • 旋转角度阈值:10度
    • 避免冗余帧导致的过计算

扫描匹配优化:

  1. 基于IMU预测初始化位姿
  2. 边缘特征点到局部地图中最近边缘的投影距离最小化
  3. 平面特征点到局部地图中最近平面的投影距离最小化
  4. LM算法迭代求解最优变换: $$ T^* = \arg\min_T(\sum|d_{edge}|^2 + \sum|d_{plane}|^2) $$

表:激光里程计因子与IMU预积分因子的协同关系

特性维度激光里程计因子IMU预积分因子协同效应
频率10-20Hz(关键帧速率)100-500Hz(原始IMU频率)高频运动估计与低频环境校正
误差特性累积误差显著短时间内相对精确IMU抑制激光短期漂移
环境适应性依赖特征丰富度与场景无关互补保证系统鲁棒性
优化贡献提供绝对尺度约束提供重力方向约束共同确立6DOF状态估计

4. 全局约束因子的融合策略与工程实现

LIO-SAM的全局优化能力源于其对多种绝对和相对约束的灵活融合,这种设计使得系统既能保持局部精度又能控制全局漂移:

GPS因子的条件触发机制:

# params.yaml中的GPS配置参数
useGPS: true
gpsTopic: "odometry/gps"
gpsCovThreshold: 2.0  # 仅当定位误差大于GPS精度时引入

回环检测的实用化改进:

  1. 基于欧式距离的候选帧检索(半径15m)
  2. 历史子关键帧匹配(前后各12帧)
  3. ICP精配准验证
  4. 协方差自适应调整:
    if (loopClosureCovariance > threshold) {
        noiseModel::Diagonal::shared_ptr loopNoise = 
            noiseModel::Diagonal::Variances((Vector(6) << 1e-2, 1e-2, 1e-2, 1e-2, 1e-2, 1e-2).finished());
        graph.add(BetweenFactor<Pose3>(...));
    }
    

多因子权重自适应策略:

  • 激光里程计因子:固定高权重(1e-2)
  • IMU预积分因子:随时间增长降低权重
  • GPS因子:根据信号质量动态调整
  • 回环因子:基于匹配置信度调整

实时性保障技术:

  1. 增量平滑与映射(iSAM2)算法
  2. 边缘化旧关键帧降低计算复杂度
  3. 多线程并行处理:
    ros::MultiThreadedSpinner spinner(4);
    spinner.spin();
    
  4. 资源隔离设计(四个独立ROS节点)

在实际部署中,外参标定质量直接影响系统性能。建议采用以下标定方法:

  • 激光雷达-IMU标定:使用开源工具如lidar_align
  • 时间同步校准:PTP协议或硬件触发
  • 传感器坐标系对齐:机械设计配合优化算法
深入LIO-SAM因子图:拆解GTSAM后端优化,看IMU预积分与激光里程计如何协同工作 本文深入解析LIO-SAM因子图框架,详细拆解GTSAM后端优化与多传感器融合机理。通过IMU预积分与激光里程计的协同工作,LIO-SAM实现了SLAM技术中的高效增量优化,提升定位精度与鲁棒性。文章涵盖算法演进、因子图构建、iSAM2优化机制及工程实践关键点,为开发者提供全面的技术指导。 阅读详情

相关推荐

《智能驾驶之激光雷达算法详解》激光雷达 +IMU组合定位

2019年,国助科技BXue团队创新性地提出IMU-AHFLO算法,该算法凭借点线特征或点云分布特征匹配的激光里程计,捕捉车辆在两帧点云间的位姿变化,随后,高频IMU数据携手车辆运动学方程,预测上述时刻的位姿变迁,最终,卡尔曼滤波器精准估算车辆新姿态。具体而言,鉴于IMU/轮速计数据的高频特性与激光里程计的低频特性,IML-AHFLO算法巧妙地利用IMU/轮速计数据结合车辆运动状态方程,对车辆位置进行前瞻预测,并借助激光里程计的输出作为观测依据,最终通过卡尔曼更新流程,精准地估算出车辆的后验状态。

ZX1278990_的博客 1662

从IMU预积分到闭环检测:一文拆解LIO-SAM因子图里到底‘优化’了什么?

本文深入解析LIO-SAM框架中激光雷达与IMU紧耦合优化的核心技术,详细拆解IMU预积分、激光里程计、GPS和闭环检测四大关键因子的协同工作机制。通过因子图优化实现多传感器数据融合,相比传统方法显著提升定位精度与计算效率,为自动驾驶和机器人定位提供创新解决方案。

weixin_30505225的博客 430

固态激光雷达zvision_lidar在lio-sam与fast-lio2中的特征处理优化对比

本文深入对比了固态激光雷达zvision_lidar在LIO-SAM与FAST-LIO2两大SLAM框架中的特征处理优化策略。针对固态雷达无固定线束结构的核心挑战,LIO-SAM通过简化流程、将所有点视为面特征进行适配;而FAST-LIO2则凭借其直接匹配与IKD-Tree设计,更自然地兼容无序点云,通常表现更稳健。文章为开发者提供了清晰的选型建议与实战优化指南。

numpy6sculptor的博客 788

《LIO-SAM阅读笔记》1.IMU预积分模块

LIO-SAM是一个多传感器融合的紧耦合SLAM框架,融合的传感器类型有雷达、IMU和GPS,其中雷达和IMU在LIO-SAM框架中必须使用的。LIO-SAM的优化策略采用了GTSAM库,GTSAM库采用了因子图的优化方法,其提供了一些列C++的外部接口,以便用户方便传入参数等进行优化。特别的是GTSAM库专门单独设计关于IMU计算与优化的接口。

jjjqqq123321的博客 2124

激光雷达惯性里程计与因子图优化:LIO-SAM原理、部署与调优全解析

在机器人定位与建图(SLAM)领域,多传感器融合是提升系统鲁棒性与精度的核心技术路径。其基本原理在于,通过概率图模型(如因子图)将不同传感器的观测数据统一建模为约束,进而对机器人的运动轨迹和地图进行全局优化。这项技术的核心价值在于,它能有效抑制单一传感器(如IMU或激光雷达)因噪声和累积误差导致的长期漂移,从而获得全局一致的高精度地图。在自动驾驶、移动机器人导航和无人机测绘等应用场景中,这种融合优化方法已成为实现长时间、大范围精准定位与建图的关键。本文以LIO-SAM系统为例,深入剖析其如何将激光雷达惯性里

weixin_30745553的博客 356

Unitree L1 非重复扫描雷达实战:从 LIO-SAM 失败到 Point-LIO 成功建图

本文分享了在Unitree L1非重复扫描雷达上实现SLAM的实战经验。针对LIO-SAM因依赖点云结构化特征而失败的问题,详细介绍了专为非重复扫描雷达设计的Point-LIO解决方案。通过部署和调试point_lio_unilidar软件包,成功实现了稳定建图,并提供了关键参数调整与进阶应用指南。

alice7model的博客 693

LIO-SAM源码解析-IMU预积分imuPreintegration.cpp

节点数据传递 从上面的节点之间话题传递图可以看出imu预积分节点 /lio_sam_imuPreintegration 接收了话题 /imu, /odometry/imu_incremental, /lio_sam/mapping/odometry, /lio_sam/mapping/odometry_incremental,发布了被其它节点使用的话题 /odometry/imu_incremental, /lio_sam/imu/path,其中发布的话题 /lio_sam/imu/path 只是被用于r

chennuo0125的博客 4743

Unitree L1 非重复扫描雷达实战:从 LIO-SAM 到 Point-LIO 的完整迁移指南

本文详细解析了为何传统LIO-SAM算法无法适配Unitree L1非重复扫描雷达,并提供了向Point-LIO算法完整迁移的实战指南。文章深入剖析了非重复扫描雷达的核心逻辑,对比了算法差异,并手把手指导了基于point_lio_unilidar的部署、关键参数调优与性能优化,帮助开发者高效解决传感器迁移中的实际问题。

linux6sysadmin的博客 1140

3d激光SLAM:LIO-SAM框架---IMU预积分功能数据初始化

LIO-SAM从全称上可以看出,该算法是一个紧耦合的雷达惯导里程计(Tightly-coupled Lidar Inertial Odometry),借助的手段就是利用GT-SAM库中的方法。LIO-SAM提出了一个利用GT-SAM的紧耦合激光雷达惯导里程计的框架。实现了高精度、实时的移动机器人的轨迹估计和建图。本篇博客重点解读LIO-SAM框架下IMU预积分功能数据初始化代码部分每个cpp文件是一个独立的ROS节点,对应着下图的四个模块。...

月照银海似蛟龙的博客 2362

Zabbix华为交换机光衰告警

zabbix使用自动发现监控huawei网络设备光衰

qq_31651649的博客 4533

微机原理--输入输出实验--emu8086

通过实验,验证了基本要求,实现了一位数加法运算的功能,同时实现了两位数加法运算的功能,还有一位数的除法。思考题(1)输入输出数据和计算用数据的区别:从键盘上输入以及输出的数据要在通过转化为计算机所识别的二进制的数字,和计算所用的数据之间相差30H。(2)单字符输入输出和串输入输出的不同之处:单字符的输入使用1号功能键,输出通过2号功能调用,且待显示字符送给DL寄存器;串输入使用0A功能,输出通过9号功能调用,DS:DX指向待显示字符串,且字符串必须以“$”结束。

m0_58837398的博客 2419

从理论到实战:GTSAM因子图优化在LIO-SAM中的工程拆解

本文深入解析了GTSAM因子图优化在LIO-SAM中的工程实践,详细介绍了因子图优化的基本原理和GTSAM库的核心特性。通过多层级因子图设计和IMU预积分技术,LIO-SAM实现了激光-惯性紧耦合SLAM的高效优化。文章还分享了工程实现中的关键细节和调试技巧,为开发者提供了实用的参考。

weixin_30878501的博客 425

睿尔曼超轻量仿人机械臂-ROS第一篇 启动机械臂的Moveit

本文主要讲述了睿尔曼六轴机械臂在ROS中的功能包配置,及如何根据文件启动Moveit做仿真。

realman_Rop的博客 7492

拆解LIO-SAM的后端优化:GT-SAM因子图是如何“粘合”激光、IMU与GPS的?

本文深入解析了LIO-SAM后端优化中GT-SAM因子图如何实现激光雷达、IMU与GPS的多传感器融合。通过紧耦合策略和智能约束触发机制,系统能高效整合各传感器优势,显著提升定位精度。文章详细介绍了因子图构建、噪声模型配置及增量优化流程,为自动驾驶和机器人领域的传感器融合提供了实用解决方案。

weixin_30631587的博客 330

用Python实现斗地主游戏(终端版)

马上就要过年了 大家也都放假了吧 过年必不可少的活动 打牌! 今天带大家来写一份斗地主 (又是好多天没怎么更新,忙成狗啊) 那么实现一个斗地主呢 我们肯定要先完善卡牌系统 from collections import Counter import numpy as np import itertools def cmp_to_key(mycmp): 'Convert a cmp= function into a key= function' class K: def _

Miku_wx的博客 9859

从Si3N4到SiNx:一文搞懂芯片制造中氮化硅的化学式玄机(附工艺参数影响)

本文深入探讨了芯片制造中氮化硅(SiNx)化学式的调控艺术,揭示了从Si3N4到SiNx的转变如何影响材料性能。通过分析PECVD和PVD工艺参数对x值的精确调控,以及x值对电学和机械性能的影响,为半导体制造提供了实用的工艺优化策略。

weixin_30776273的博客 199

拆解LOAM家族:从LOAM到LVI-SAM,看开源激光SLAM这七年是怎么‘卷’起来的

本文系统梳理了激光SLAM技术从LOAM到LVI-SAM的七年演进历程,揭示了LOAM、Lego-LOAM、LIO-SAM和LVI-SAM等关键技术的创新突破与应用场景。重点分析了多传感器融合、实时运动补偿和特征点分类等核心技术如何推动SLAM技术的发展,为相关领域的研究者和开发者提供了宝贵的技术参考。

weixin_30790841的博客 543

Wan 3.0提示词实战:从抄作业到改作业的完整技巧

AI视频生成中,提示词是决定成片质量的核心。视频模型依赖于文字约束来定义运动轨迹、镜头语言与物理合理性,提示词工程因此成为连接创意与技术的关键。本文从提示词的结构、资源获取、优化方法入手,结合Wan 3.0的模型特点,梳理了从官方模板到社区案例的实战路径,并强调运动一致性、风格词堆砌等常见问题。通过分解主体、动作、镜头等维度,帮助创作者快速找到适配的提示词,提升视频生成的稳定性与惊喜感。

weixin_29483277的博客 353

LIO-SAM-DetailedNote与LOAM、A-LOAM、LEGO-LOAM横向对比:激光SLAM演进路线一览

本文围绕**激光SLAM**演进主线,横向对比 LOAM、LEGO-LOAM、A-LOAM 与 LIO-SAM 四代经典算法的核心差异,并结合 LIO-SAM-DetailedNote(一个对 LIO-SAM 源码逐行中文注释的 3D SLAM 项目,融合激光、IMU、GPS 与因子图优化),带你快速看懂激光SLAM的来龙去脉与源码脉络。 ## 📌 先认识 LIO-SAM-DetailedNo

gitblog_00601的博客 427

9.9华为OD机试真题 新系统 - 受限任务分配 (Java/Py/C/C++/Js/Go)

华为OD机试真题 新系统【受限任务分配】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题 【受限任务分配】多语言题解。

qq_45776114的博客 744

ABAP BDC 处理踩坑笔记:把错误挡在录制之前,把稳定做进每一行 BDCDATA

本文总结了SAP BDC(批输入)开发中的常见问题和解决方案。重点包括:1)理解BDCDATA本质是模拟人工操作而非直接操作数据库;2)数据格式化技巧,如金额、日期、物料号等字段的标准化处理;3)通过CTU_PARAMS参数控制执行环境,确保屏幕尺寸和更新模式一致;4)不要依赖sy-subrc,应通过解析MESSTAB消息判断业务是否成功;5)录制阶段的常见陷阱及解决方法;6)疑难问题的系统性解决思路;7)建议建立完善的错误处理机制,包括日志记录和重跑功能。文章提供了实用的ABAP代码示例和配置建议,帮助开

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 270

因子图优化在LIO-SAM中的应用:从原理到实战调优

在机器人定位与建图领域,多传感器融合是提升系统鲁棒性与精度的核心方法。其基本原理在于将不同传感器的观测数据,通过数学模型进行统一处理,以估计系统状态。因子图作为一种强大的概率图模型,为实现紧耦合的多传感器融合提供了优雅的框架。它将系统状态(如机器人的位姿)表示为节点,将各类传感器观测(如IMU预积分、激光匹配)建模为连接节点的约束因子,通过求解一个最大后验概率估计问题,一次性优化得到全局一致的最优轨迹。这项技术的核心价值在于,它能充分利用各传感器的互补特性,在激光雷达特征缺失或IMU漂移等挑战性场景下,依然

weixin_34242819的博客 318

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

LIO-SAM-DetailedNote数学原理(一):IMU预积分如何压制加速度计与陀螺仪偏差漂移

本项目 LIO-SAM-DetailedNote 是对经典 3D SLAM 算法 LIO-SAM 的源码详细注释工程,它融合激光雷达、IMU、GPS 三类传感器,通过因子图优化实现高精度定位与建图。其中 IMU 采样频率最高(通常 200~500 Hz),却也是漂移最严重的传感器——压制加速度计与陀螺仪偏差漂移的关键数学工具,正是 **IMU 预积分**。本文结合注释版源码,用最少公式讲透预积分的

gitblog_00273的博客 410

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

深入LIO-SAM的IMU预积分:为什么它比LOAM系列更稳?从原理到代码拆解

传统LOAM框架仅将IMU用于点云去畸变,而LIO-SAM通过因子图优化实现了IMU与激光雷达的紧耦合,这种架构差异直接影响了系统在快速运动与遮挡场景下的稳定性。实测数据显示,在手持设备快速旋转测试中,LOAM的轨迹误差可达1.2m,而LIO-SAM能保持在0.3m以内。在NVIDIA Xavier平台测试中,单次积分耗时仅0.08ms,完全满足200Hz IMU数据的处理需求。LIO-SAM的创新在于将IMU预积分作为独立因子引入因子图,与激光里程计因子共同优化。IMU预积分的准确性严重依赖零偏估计。

weixin_33423874的博客 314

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

激光SLAM深度解析:LIO-Mapping、LIOM、LINS与LIO-SAM的核心技术与实战对比

本文深度解析了激光SLAM领域四大主流激光-IMU紧耦合算法:LIO-Mapping、LIOM、LINS与LIO-SAM。文章对比了它们各自的核心技术原理,包括优化框架、滤波方案与因子图方法,并基于实战经验分析了其性能特点、适用场景与选型指南,为机器人定位与建图应用提供关键参考。

nn3456的博客 456

拆解LIO-SAM的因子图:从IMU预积分到Scan-to-Map优化的数据流与状态估计

本文深入解析LIO-SAM的因子图架构,详细阐述从IMU预积分到激光里程计优化的全链路实现。通过多传感器融合的SLAM设计,LIO-SAM将IMU、激光雷达和GPS数据统一建模为因子图优化问题,利用GTSAM框架实现高效状态估计。文章涵盖IMU预积分理论推导、激光里程计因子构建及ISAM2增量优化等核心技术,为SLAM开发者提供实践指导。

weixin_33046983的博客 234
上一篇: 手把手教你用LD_LIBRARY_PATH解决glibc版本冲突(附QEMU实例)
下一篇: ESP32开发板选型指南:为什么NodeMCU-32S是初学者的最佳选择?
普通网友
博客等级 码龄4年 96粉丝 1459原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 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