qq_42700518的博客

机器人建图定位系统-增量地图构建，手动回环检测演示。机器人建图定位系统-基础重定位，定位功能演示。2、Lifelong后端地图管理模块。1、多传感器融合里程计。3、Qt人机交互系统。

4、用当前帧的点检测参考观测帧中待定的动态点，如果这些待定点被当前帧的视线穿过，那么这些待定点被认为是真正的动态点，否则转为稳定点。3、有些候选动态点，会被参考观测帧的点遮挡，那么暂时无法判断是否是真正的动态点，这部分点待定，由后续的观测帧判断是否是动态点。2、将当前的候选动态点转换到参考观测帧，检测那些被参考观测帧视线穿过的点，这部分点一定是动态点。1、对非地面点根据匹配情况以及目标跟踪模块的动态先验信息确定候选动态点。0、对输入点云进行快速分割，获取地面点和非地面点。2、进一步提高效率。

线程池

cartographer算法的创建过程和参数初始化

激光惯性初始化

ceres的使用过程基本可以总结为:1、创建优化问题与损失核函数。 ceres::Problem problem; ceres::LossFunction *loss_function; // 损失核函数 //loss_function = new ceres::HuberLoss(1.0); loss_fun...

MLOAM源码要点总结1、简介2、算法流程3、主要问题1、简介MLOAM是港科大刘明教授团队开源的多激光雷达里程计方案，其主要特色为：1、多激光雷达的外参在线标定。2、基于滑动窗口优化的多激光融合运动估计。2、算法流程1、标定模式2、里程计模式(1)、仅仅利用参考激光雷达(IDX_REF)的数据计算粗略的帧间里程计(2)、对每个激光雷达的激光数据进行降采样，并存放与：corner_points_stack_中(3)、滑动窗口窗口优化 optimizeMap()滑窗中优化的状态主要有:

cartographer工程化设计-ros接口层的讲解

传感器数据处理1、激光数据处理1.1 原始点云处理1.2 点云去畸变1.3 滤波1、激光数据处理1.1 原始点云处理1.2 点云去畸变首先, 获取该帧第一个激光点的时间戳,// 得到第一个点的时间戳 const common::Time time_first_point = time + // 第一帧时间 common::FromSeconds( synchronized_dat

PoseExtrapolator

因子图优化激光&IMU融合激光特征的处理IMU的处理GPS的处理主要学习今年最新开源的LIOSAM.LIOSAM 点云预处理与特征提取的环节的分析见这里 legoloam系列算法之点云处理与特征提取这里主要学习的是在提取了激光特征后, 融合IMU, GPS 实现激光里程计的方法, 虽然LIOSAM也是具有回环的, 但是用的方法基本和legoloam一样, 所以重点就放在 激光里程计上.梳理一下主要文件:关于IMU的融合主要在src/imuPreintegration.cpp中完成.接

lins和legoloamlins和lego_loam的点云预处理环节是一样的, legoloam 在 imageProjection.cpp中完成, 而 lins 在image_projection_node.cpp中完成.

主要学习的是港科大今年开源的LINS算法.该算法是直接在lego上面改的,主要针对的还是16线激光.算法主要的核心是在激光里程计节点, 只需要重点学习这部分就可以了.

首先将odometryBuf中接受到的里程计数据保存为q_wodom_curr、t_wodom_curr// 获取里程计的数据放置与 q_wodom_curr t_wodom_currq_wodom_curr.x() = odometryBuf.front()->pose.pose.orientation.x;q_wodom_curr.y() = odometryBuf.front()...