SLAM
关注
分享
扫一扫
文章平均质量分 85
包含的内容为SLAM的前端、后端和回环检测等内部
点云SLAM
目前工作领域为高精SLAM和点云数据处理相关行业，定位算法负责人。读研期间主要图像处理和三维点云数据处理方向的研究学习，工作以来一直在三维点云数据处理、三维重建、机器人感知、机器状态估计、SLAM 以及相关三维成像设备标定等相关三维领域的算法研究工作，熟悉PCL、 Open3D、OpenCV和CloudCompare等二、三维处理库
熟悉 CUDA/OpenCL 加速技术，对 LIO-SAM 系列、 VINS-Mono和ORB-SLAM 相关的 SLAM 技术研究开发应用到实际产品中，熟练使用G2O、Ceres和 GTSAM 优化库和数值优化原理。可商务合作，欢迎私聊！
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
SLAM文献之-Globally Consistent and Tightly Coupled 3D LiDAR Inertial Mapping
该论《Globally Consistent and Tightly Coupled 3D LiDAR Inertial Mapping》是日本先进工业科学技术研究所（AIST）的Koide等人于2022年在IEEE国际机器人与自动化会议（ICRA）上发表的一篇论文。该研究提出了一种基于全局匹配代价最小化和LiDAR-IMU紧耦合的实时三维建图框架，旨在提高在特征稀缺或动态环境中的定位与建图精度。文由 Koide 等人在 2022 年发表，提出了一种全局一致且紧耦合的三维 LiDAR-IMU 建图方法。原创 2025-08-20 15:59:18 · 735 阅读 · 0 评论 -
AMCL（Adaptive Monte Carlo Localization）算法的原理详解
已知机器人的地图（Map）和传感器观测数据（激光雷达、里程计等），推断机器人在地图中的位置与姿态（当粒子数量满足 KLD-sampling 公式时停止采样，否则继续采样更多粒子。（KL散度）来约束近似分布和真实分布的差距。：在地图上均匀采样粒子，或围绕初始估计采样。会根据观测和分布稀疏程度动态调整。：根据权重采样新粒子，避免权重退化。动态调整粒子数量，减少计算量。在移动机器人中，我们常遇到。：根据传感器观测更新粒子权重。：根据运动模型更新粒子位置。粒子滤波是通过一组粒子。来近似位置的概率分布。原创 2025-08-13 11:29:07 · 651 阅读 · 0 评论 -
SLAM文献之Efficient and Consistent Bundle Adjustment on Lidar Point Clouds（BALM）
束调整（Bundle Adjustment，简称 BA）是同时优化传感器姿态与场景几何的核心问题，广泛应用于机器人视觉系统。本文提出了一种高效且一致的激光雷达束调整方法，该方法充分利用激光雷达中的边缘与平面几何特征，通过直接最小化原始点到对应几何特征的欧氏距离来表述优化问题。该方法的一个关键创新在于：几何特征（如边缘和平面）可以解析求解，从而消除其在优化中的显式表示，仅保留激光雷达位姿作为优化变量，大幅降低维度。为了进一步提升效率，本文引入了 **点簇（Point Clusters）**的概念：通过一组紧凑原创 2025-07-07 14:21:26 · 1237 阅读 · 0 评论 -
SLAM文献之-Probabilistic Degeneracy Detection for Point-to-Plane Error Minimization
几何信息不足导致的退化问题已知会严重影响基于 LiDAR 的定位与建图性能。本文提出了一种新的。原创 2025-06-27 14:04:09 · 1137 阅读 · 0 评论 -
LOAM中配准时用LM 优化处雅可比计算详解推导（计算arx、ary和arz）
下面详细推导一下在，使用对旋转扰动项的雅可比矩阵部分的展开。主要目的是说明arxaryarz是如何从误差项中通过链式求导计算出来的。原创 2025-06-24 16:37:28 · 1160 阅读 · 0 评论 -
SLAM文献之Unified Multi-Modal Landmark Tracking for Tightly Coupled Lidar-Visual-Inertial Odometry
LiDAR 端：从连续扫描中提取稳定的3D 线和平面特征，并作为长期地标进行跟踪。具体如下：算法的一个关键特性是，从与相机图像同步的 LiDAR 点云中提取特征元素，使得所有传感器的观测都可以在同一个图优化过程中联合处理。整个处理流程包括以下几个步骤：点云去畸变与同步、滤波、特征元素提取与追踪，以及因子构建。图 6 展示了不同传感器的输出频率。IMU 与相机是“瞬时采样”，而 LiDAR 是通过其内部镜面围绕 z 轴旋转，连续获取点数据。原创 2025-06-18 14:31:12 · 659 阅读 · 0 评论 -
SLAM文献之-LOAM: Lidar Odometry and Mapping in Real-time
|| || |将 LiDAR SLAM 拆分为两个异步模块（Odometry + Mapping）提高实时性与鲁棒性。特征点筛选机制：基于曲率挑选边缘与平面点提升匹配鲁棒性和精度，避免对全部点使用 ICP。基于几何残差的快速位姿估计点到直线、点到平面残差优化，效率高于传统点到点 ICP。滑动局部地图管理策略控制内存和计算复杂度，便于大规模运行。去 IMU 化设计（不依赖IMU）仅使用 LiDAR 实现高精度姿态估计，是早期纯 LiDAR-SLAM 成功代表。应用场景推荐方法理由。原创 2025-06-14 14:28:31 · 1279 阅读 · 0 评论 -
SLAM文献之-Degeneracy-Aware Factors with Applications to Underwater SLAM
由Hinduja, Ho 和 Kaess（2019，IROS）：在配准阶段识别并避开退化方向。：将退化感知融入图优化因子，只对稳定方向施加约束。核心思路：仅施加可靠方向上的约束，忽略/屏蔽退化方向。实现方式：结合谱分解、解 remapping 技术，在 ICP 和图优化中同步应用。适用场景：水下 SLAM、隧道环境，以及任何 geometry-poor 场景。原创 2025-06-12 13:50:14 · 1157 阅读 · 0 评论 -
SLAM文献之-RMS: Redundancy-Minimizing Point Cloud Sampling for Real-Time Pose Estimation
摘要——在移动机器人状态估计中常用的点云采样方法往往保留了大量的点冗余。这种冗余会不必要地减慢估计流程，并在实时约束下可能导致漂移。对于资源受限的机器人（特别是无人机）来说，这种延迟会成为瓶颈，而它们往往需要以极低的延迟实现敏捷且精准的操作。为此，我们提出了一种新颖的、确定性的、无需先验信息、仅含一个参数的点云采样方法，称为，该方法旨在最小化三维点云中的冗余。与现有方法不同，RMS 通过利用线性和平面表面在迭代估计流程中固有的高冗余性，来平衡位移空间的可观测性。原创 2025-06-05 18:01:17 · 744 阅读 · 0 评论 -
SLAM文献之-Large-Scale LiDAR Consistent Mapping using Hierarchical LiDAR Bundle Adjustment
《Large-Scale LiDAR Consistent Mapping using Hierarchical LiDAR Bundle Adjustment》提出了一种高效且全局一致的激光雷达地图构建方法，结合了层次化的束束调整（Hierarchical Bundle Adjustment, HBA）和位姿图优化（Pose Graph Optimization, PGO），旨在解决传统方法在大规模场景下的计算瓶颈和地图一致性问题。如图 1位姿图优化（PGO）：通过最小化相邻帧之间的相对位姿误差来优化原创 2025-05-27 21:02:04 · 899 阅读 · 0 评论 -
SLAM文献之LP-ICP: General Localizability-Aware Point Cloud Registration for Robust Localization in Extr
传统的ICP算法在特征稀疏或几何结构不明显的环境中容易出现退化，导致位姿估计在某些方向上不准确。可定位性检测模块：分析边缘点（局部平滑度低）与线的对应关系，以及平面点（局部平滑度高）与面的对应关系，评估每个约束对位姿估计的贡献。优化模块：根据可定位性分析结果，在优化过程中引入软约束和硬约束，限制位姿更新在退化方向上的变化。原创 2025-05-26 15:24:03 · 1420 阅读 · 0 评论 -
SLAM文献之-SuperOdometry: Lightweight LiDAR-inertial Odometry and Mapping
IMU 作为主导惯导轨迹提供器（IMU-centric），在结构退化或视觉遮挡时仍可提供高频、稳定的运动估计；LiDAR 和视觉信息作为约束项，增强轨迹精度；通过多度量 ICP（Multi-metric ICP）与动态八叉树（Dynamic Octree）提高匹配质量与实时性；利用质量权重（Quality Weighting）机制来判定不可靠匹配并降低其优化影响；最终构造统一的优化框架，融合 IMU 先验、LiDAR ICP、视觉重投影误差进行非线性优化。模块创新点作用。原创 2025-05-21 22:12:59 · 1156 阅读 · 0 评论 -
SLAM文献之-NICE-SLAM: Neural Implicit Scalable Encoding for SLAM
TSDFgtxsignDu−∥x−o∥⋅min∣Du−∥x−o∥∣τ1.0TSDFgtxsignDu−∥x−o∥⋅minτ∣Du−∥x−o∥∣1.0τ\tauτ：截断距离；xxx：投影自像素uuu；DuD(u)Du：深度图中真实值。SDFxfθxzxSDFxfθxzx))模块公式说明SDF 渲染t∗tiSDFxi。原创 2025-05-21 09:39:04 · 954 阅读 · 0 评论 -
RGB-D数据集汇总（2025年08月更新....）
以下是一些主流、常用于学术研究和工业应用的，适合用于 SLAM、3D 重建、场景理解、目标识别等任务。原创 2025-05-20 16:38:52 · 1150 阅读 · 4 评论 -
SLAM文献之-Multi-input Multi-scale Surfel-Based Lidar-Inertial Continuous-Time Odometry and Mapping
在高速运动和大视场环境下的鲁棒里程计与建图；高效建图：支持异步、多源数据输入；高精度对齐：使用 surfel-based 表示解决点云间非同步和尺度不一致问题。模块贡献多输入融合灵活应对多个异步 LiDAR/IMU 数据输入多尺度 surfel增强稀疏区域匹配精度，提升地图分辨率适应性连续时间轨迹优化消除非同步畸变，提升帧间注册精度高效优化模型将 surfel 匹配误差与 IMU预积分融合于一体。原创 2025-05-16 22:56:59 · 824 阅读 · 0 评论 -
SLAM文献之KernelGPA: A Globally Optimal Solution to Deformable SLAM in Closed-form
特性描述目标解决可变形环境下的 SLAM 问题方法基于核回归的变形建模 + Procrustes 闭式对齐优势闭式解、无初值依赖、全局最优、低计算量应用医学成像、软体机器人、动态环境建图。原创 2025-05-08 23:39:11 · 454 阅读 · 0 评论 -
AI在 SLAM方向的应用综述
AI 技术正深刻改变 SLAM 系统的架构与能力。从传统几何方法到学习驱动模型，AI 推动 SLAM 向更智能、鲁棒、语义化的方向发展。未来的 SLAM 系统将更多地融合 AI 与物理世界知识，走向真实世界中的可靠部署。原创 2025-04-22 13:49:13 · 978 阅读 · 0 评论 -
SLAM文献之DM-VIO: Delayed Marginalization Visual-Inertial Odometry
DM-VIO (Delayed Marginalization Visual-Inertial Odometry) 是一种基于延迟边缘化的视觉-惯性里程计算法，它结合了视觉和惯性测量单元(IMU)的数据进行位姿估计。该算法是VINS-Mono的改进版本，主要创新点在于采用了一种延迟边缘化策略，能够更好地处理非线性问题和保持系统的可观测性。减少了边缘化带来的线性化误差保持了系统的可观测性提高了IMU偏置估计的准确性在不显著增加计算负担的情况下提高了系统鲁棒性。原创 2025-04-14 21:11:45 · 1027 阅读 · 0 评论 -
SLAM文献之SuMa++: Efficient LiDAR-based Semantic SLAM
SuMa++是基于Surfel的SLAM算法SuMa的改进版本，通过引入语义分割信息提升动态环境下的鲁棒性和回环检测性能。SuMa++通过语义分割与SLAM的深度融合，解决了动态场景下的定位与建图难题。其核心在于将语义信息嵌入到ICP优化与回环检测中，通过数学建模提升系统鲁棒性。SuMa使用Surfel（表面元素）构建地图，每个Surfel包含位置、法向量、半径和时间戳。：引入语义权重的最小化点到平面距离。原创 2025-04-10 21:37:49 · 1018 阅读 · 0 评论 -
SLAM文献之-SLAMesh: Real-time LiDAR Simultaneous Localization and Meshing
SLAMesh 通过将 SLAM 与实时网格重建结合，为稠密三维环境建模提供了新思路，但其对计算资源的要求较高，未来可能在算法轻量化方面进一步优化。，通过动态构建和优化多边形网格（Mesh）来实现高精度定位与环境建模。SLAMesh 是一种基于 LiDAR 的实时同步定位与建图（SLAM）算法，其核心创新点在于。，通过实时构建和更新环境的三维网格模型，同时优化传感器位姿。SLAMesh 的核心在于。原创 2025-04-06 21:49:21 · 749 阅读 · 0 评论 -
SLAM文献之-NR-SLAM: Non-Rigid Monocular SLAM
而传统SLAM（如ORB-SLAM）假设场景是静态或刚体运动的。以下是NR-SLAM的详细原理与推导，涵盖数学建模、优化方法及实现细节。（如人体、软体物体）的SLAM方法，能够在动态形变环境下实现相机跟踪与三维重建。（Non-Rigid SLAM）是一种用于。，并通过优化联合估计相机位姿与形变参数。对于形变场景，3D点。NR-SLAM通常采用。提升形变建模能力，以及。原创 2025-03-27 19:55:51 · 762 阅读 · 1 评论 -
SLAM文献之-DefSLAM: Tracking and Mapping of Deforming Scenes from Monocular Sequences
来分离静态和动态部分，并优化相机位姿与场景结构。它扩展了传统刚性SLAM（如ORB-SLAM、LSD-SLAM）的方法，使其能够处理非刚性场景，如软组织（医疗成像）、水下环境、人体动作捕捉等。形变估计的目标是优化控制点的位置 ( w_i )，使得匹配误差最小。，并分别优化，适用于自动驾驶、AR/VR 等动态场景。：动态物体的特征点也会被跟踪，需要进一步筛选。，实现了动态环境下的鲁棒 SLAM。：避免动态物体影响相机位姿估计。：仅保留静态点用于相机位姿估计。DefSLAM 的形变通常用。原创 2025-03-25 13:41:55 · 873 阅读 · 0 评论 -
InfiniTAM SLAM三维重建系统详细流程
其中 ( p_1, p_2, p_3 ) 为素数，( N ) 为哈希表大小。由于 TSDF 需要存储大量体素，InfiniTAM 采用。为了在不同精度需求下高效更新地图，InfiniTAM 采用。系统，适用于实时 3D 重建。为了可视化 3D 地图，InfiniTAM 采用。为了减少存储和计算开销，InfiniTAM 采用。在实时 SLAM 中，每帧数据都更新地图会导致。当新帧进入时，更新 TSDF,同上描述。，因此 InfiniTAM 采用。InfiniTAM 主要支持。InfiniTAM 是基于。原创 2025-03-21 14:30:09 · 848 阅读 · 0 评论 -
2024年十大开源SLAM算法整理
以下是对2024年十大开源SLAM算法的详细介绍，包括每个算法的核心特性、技术创新和应用场景。原创 2025-03-19 14:01:12 · 2581 阅读 · 0 评论 -
SLAM文献之-MULLS: Versatile LiDAR SLAM via Multi-metric Linear Least Square
MULLS 通过多度量融合与线性最小二乘优化，显著提升了LiDAR SLAM在复杂场景下的鲁棒性。其核心创新在于。原创 2025-03-18 10:45:53 · 643 阅读 · 0 评论 -
SALM文献之-VINS-Fusion: An optimization-based multi-sensor state estimator
VINS-Fusion通过紧耦合多传感器优化，有效结合了视觉的高精度相对测量与IMU/GPS的绝对稳定性，其核心在于滑动窗口内的联合非线性优化与全局约束的引入。算法涵盖IMU预积分、视觉重投影误差、传感器融合及位姿图优化，是当前开源社区中性能领先的多模态SLAM解决方案。VINS-Fusion 是香港科技大学团队开发的基于优化多传感器融合框架，支持视觉（单目/双目）、IMU、GPS、激光雷达等多种传感器的实时状态估计与建图。基础上扩展多传感器紧耦合，通过滑动窗口非线性优化实现高精度、低漂移的定位。原创 2025-03-11 13:49:54 · 1567 阅读 · 0 评论 -
SLAM文献之-Faster-LIO: Lightweight Tightly Coupled Lidar-inertial Odometry using Parallel Sparse Increm
Faster-LIO（Fast LiDAR-Inertial Odometry）是一种高效、实时的激光雷达-惯性里程计（LIO）算法，旨在通过紧密融合激光雷达（LiDAR）和惯性测量单元（IMU）数据，实现高精度、低延迟的定位与建图。，在保持高精度的同时显著提升了计算效率。在LiDAR扫描间隔内（通常为100ms），IMU的高频数据（200Hz+）通过预积分计算相对运动量，避免重复积分。迭代卡尔曼滤波（IKF）**进行状态估计，直接融合LiDAR观测残差和IMU预积分约束，而非松耦合中的独立处理。原创 2025-03-07 11:22:47 · 1318 阅读 · 0 评论 -
卡尔曼滤波算法（Kalman Filter, KF）深入推导
卡尔曼滤波是一种基于和，其核心思想是对状态进行，在预测和测量之间动态调整，最小化估计误差。原创 2025-03-04 18:19:29 · 2728 阅读 · 0 评论 -
SLAM文献之-VDO-SLAM: A Visual Dynamic Object-aware SLAM System
VDO-SLAM（Visual Dynamic Object-aware SLAM）是一种基于视觉的。（Simultaneous Localization and Mapping）算法。VDO-SLAM不仅跟踪静态背景中的特征点，还对。等技术，有效减少动态物体的干扰，适用于。VDO-SLAM利用深度学习模型（如。动态目标的检测主要基于。VDO-SLAM 通过。原创 2025-03-04 17:05:30 · 649 阅读 · 0 评论 -
SLAM文献之-FAST-LIO: A Fast, Robust LiDAR-inertial Odometry Package by Tightly-Coupled Iterated Kalman
Fast-LIO（Fast LiDAR-Inertial Odometry）是一种高效的激光雷达-惯性里程计（LIO）算法，专为实时处理高频激光雷达数据而设计。由于激光雷达扫描频率较低（通常10-20Hz），而IMU频率较高（100-1000Hz），Fast-LIO利用反向传播技术对激光点云进行运动畸变补偿。Fast-LIO通过紧耦合IMU与激光雷达数据，结合iEKF和反向传播技术，在高速、高动态场景下实现了实时、高精度的状态估计。的更新通过误差状态卡尔曼滤波（ESKF）实现，避免直接处理四元数的协方差。原创 2025-03-03 10:46:43 · 1094 阅读 · 0 评论 -
SLAM文献之-DROID-SLAM: Deep Visual SLAM for Monocular, Stereo, and RGB-D Cameras
与传统SLAM方法不同，DROID-SLAM采用深度学习网络来估计深度信息，提供更高的精度与鲁棒性，尤其是在动态、低纹理或不规则场景中。单目相机的使用：DROID-SLAM能够仅凭单目相机就能估计场景的深度和位姿，而传统SLAM依赖于立体摄像机或其他传感器，这意味着DROID-SLAM具有更低的硬件要求。自动驾驶：虽然DROID-SLAM原本是为机器人设计的，但其深度估计和定位功能同样适用于自动驾驶车辆，在不依赖激光雷达的情况下提供高精度的定位与地图构建。原创 2025-03-01 13:44:24 · 1400 阅读 · 0 评论 -
SLAM文献之-LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping
LIO-SAM（Lidar-Inertial Odometry and Mapping via Smoothing and Mapping）是一种基于因子图优化的紧耦合激光雷达-惯性里程计（LIO）系统，通过多传感器融合实现高精度的实时定位与建图。LIO-SAM通过紧耦合的因子图优化框架，将多传感器数据统一建模，实现了高精度、低漂移的实时定位与建图。其核心在于全局优化的灵活性与模块化设计，使其在复杂环境中表现出色，成为自动驾驶和机器人领域的重要算法之一。原创 2025-02-28 17:24:20 · 890 阅读 · 0 评论 -
SLAM文献之-LOAM-SLAM
LOAM（Lidar Odometry and Mapping）是一种基于激光雷达的高效SLAM算法，其核心思想是通过特征提取和分层优化实现实时定位与建图。LOAM通过巧妙的特征提取与分层优化策略，成为激光SLAM的经典算法，为后续研究奠定了重要基础。两个模块交替运行，平衡实时性与精度。原创 2025-02-27 19:31:40 · 920 阅读 · 0 评论 -
SLAM文献之-IMLS-SLAM: scan-to-model matching based on 3D data
IMLS-SLAM通过隐式曲面建模和scan-to-model框架，实现了高精度、低漂移的激光SLAM。其核心创新在于将点云匹配转化为几何曲面优化问题，显著提升了复杂环境下的鲁棒性。的匹配框架，显著提升了定位与建图的精度和鲁棒性。该算法在无闭环检测的情况下，4公里轨迹的漂移率仅为0.40%（即16米漂移）。的低漂移SLAM算法，由Jean-Emmanuel Deschaud等人在2018年提出。原文参考：IMLS-SLAM: scan-to-model matching based on 3D data。原创 2025-02-26 16:16:13 · 1263 阅读 · 0 评论 -
SLAM和点云处理中高效三维数据结构文献阅读记录
目前公开最高效的三维数据结构。原创 2024-04-26 10:24:45 · 361 阅读 · 0 评论 -
角度变量和李群SE(3)之间的转换
【代码】角度变量和李群SE(3)之间的转换。原创 2025-01-06 23:30:14 · 289 阅读 · 0 评论 -
旋转矩阵和欧拉角之间的相互转换（C++代码）
1、旋转矩阵转欧拉角。2、欧拉角转旋转矩阵。原创 2025-01-03 13:49:24 · 297 阅读 · 0 评论 -
LIO-SAM运行报错[lio_sam_imuPreintegration-2]和[lio_sam_mapOptmization-5]解决
激光SALM框架LIO-SAM算法编译运行。原创 2022-08-09 15:00:55 · 4387 阅读 · 0 评论 -
3DGS（三维高斯散射）与SLAM技术结合的应用
3DGS与SLAM的结合，通过显式高斯表示与可微渲染，突破了传统方法在动态场景、渲染质量与内存效率上的局限。未来随着轻量化算法与多模态融合的深入，该技术有望成为机器人、元宇宙、自动驾驶等领域的关键基础设施。原创 2025-02-22 17:57:54 · 2442 阅读 · 0 评论 -
GTSAM 库详细介绍与使用指南
一、GTSAM 概述GTSAM（Georgia Tech Smoothing and Mapping）是由佐治亚理工学院开发的C++ 开源库，专注于概率图模型（尤其是因子图）的构建与优化，广泛应用于机器人定位与建图（SLAM）、传感器融合、运动规划等领域。高效的因子图优化：支持贝叶斯网络建模与非线性优化。增量式求解器（iSAM/iSAM2）：适用于实时 SLAM 问题。多传感器融合能力：兼容 IMU、LiDAR、相机等数据。二、核心算法原理1. 因子图（Factor Graph）数学基础。原创 2025-02-22 18:15:07 · 1633 阅读 · 0 评论