《论文阅读》BALM: Bundle Adjustment for Lidar Mapping

最新推荐文章于 2025-11-12 10:10:17 发布
原创 最新推荐文章于 2025-11-12 10:10:17 发布 · 2.6k 阅读 · 21 ·
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：

#论文阅读

本文介绍了将Bundle Adjustment (BA) 技术应用于LiDAR点云映射的方法，通过最小化特征点到其匹配边缘或平面的距离，实现了点云的精细建图。并提出一种自适应体素化方法用于特征点提取。

留个笔记自用

BALM: Bundle Adjustment for Lidar Mapping

做什么

首先是最基础的，Structure-from-Motion（SFM），SFM可以简单翻译成运动估计，是一种基于dui8序列图片进行三维重建的算法。简单来说就是是从运动中不同角度拍摄一个物体，这样就有多张物体不同时间的照片，使用这种照片来恢复物体的三维结构。跟SLAM里的visual odometry一样，需要估计出每帧图片到世界坐标系的R,t，然后根据图片重建点云。
在这里插入图片描述
算法的关键是就是特征匹配，求两张图片之间的R,T，然后反投影得到物体的三维点，最后将多个稀疏点云融合在一起。
然后是SFM常用的一种算法Bundle Adjustment(BA)，光束调整，也就是这篇文章所做的
在这里插入图片描述
在这里插入图片描述
省去复杂的公式，BA做的也是特征匹配的工作，在不同视角的图像中选取特征点，然后将这些特征点之间进行匹配，理论上来说，在整个空间上，这些匹配点如果投影到世界坐标系应该尽可能的接近，比如两张图片中的特征点都是某个桌子的左下角，那么就算在图片上位置不同，经过R，t转回去也应该在空间上位置接近。这就是重投影误差，使用这种方式来优化R，t，同时也会优化特征点的位置。
BA往往做的是精细化建图（空间建图）

最低0.47元/天 解锁文章
SLAM论文详解(3) — Bundle_Adjustment_LM(BALM)论文详解
几度春风里的博客
09-10 2542
Bundle Adjustment是一种用于同时估计三维结构和传感器运动运动的优化算法。在视觉SLAM，三维重建等应用中，它被广泛用于优化相机位姿和地图的精度。在视觉slam中，BA通过最小化特征之间的重投影误差，有效得优化相机位姿和地图的一致性，从而提高SLAM系统的精度和鲁棒性。然而来到激光雷达这边情况就很不一样：激光雷达点云虽然拥有深度信息，但是比起图像比较稀疏，单帧的出点量和图像中的像素数量根本不在一个量级，导致特征点稀疏，特征匹配对应难做。
2019年ICLR论文BA-NET: DENSE BUNDLE ADJUSTMENT NETWORKS论文阅读笔记
zeeq的博客
10-01 4383
1 概述   论文介绍了一种通过特征度量BA（bundle adjustment）来解决运动恢复结构（SfM）问题的网络体系结构，它以特征度量误差的形式明确地强制多视图几何约束。整个流程是可微的，因此网络可以学习到使BA问题更易于处理的合适特征。此外，这项工作引入了一种新的深度参数化来恢复密集的逐像素深度。该网络首先根据输入图像生成若干个基础深度图，并通过特征度量BA将最终深度优化为这些基础深度图的线性组合。基础深度图生成器也可以进行端到端的训练。整个系统将领域知识（即硬编码的多视图几何约束）和深度学习（即
BALM: Bundle Adjustment for Lidar Mapping
qq_40268190的博客
10-26 2066
文章目录代价函数，雅可比矩阵和海森矩阵自适应栅格化基于BA优化的LOAM   根据点在直线或平面上的约束，构建扫面间的特征匹配，基于此使用BA算法来进一步优化LOAM等视觉里程计得到的位姿。 代价函数，雅可比矩阵和海森矩阵   在已知点和对应直线对应关系的前提下，整体代价函数表述为： (T∗,n∗,q∗)=arg⁡min⁡T,n,q1N∑i=1N(nT(pi−q))2=arg⁡min⁡T(min⁡n,q1N∑i=1N(nT(pi−q))2)\begin{aligned}\left(\mathbf{T}^{*
[论文学习] BALM: Bundle Adjustment for Lidar Mapping
hero_heart的博客
01-05 1566
差异是，图像使用投影误差来构建误差方程，优化帧位姿和地图点位置。激光雷达则是使用点到线和点到面的距离来构建误差方程，只优化当前帧位姿。
BALM 开源项目使用教程
最新发布
gitblog_00599的博客
11-12 633
BALM（Batch Adjustment of LiDAR Maps）是一个由香港大学（HKU）的火星实验室（MARS Lab）开发的开源项目，旨在处理和优化激光雷达（LiDAR）地图数据。该项目提供了一系列工具和算法，用于批量调整和改进激光雷达地图的质量，使其更适合于各种应用场景，如自动驾驶、机器人导航和地理信息系统（GIS）。 ## 项目快速启动 ### 环境准备 在开始使用BALM之
balm
03-07
香脂 欢迎使用您的新宝石！ 在此目录中，您将找到能够将Ruby库打包为gem所需的文件。 将您的Ruby代码放在文件lib/balm 。 要试验该代码，请运行bin/console进行交互式提示。 待办事项：删除此内容和上面的文字，并描述您的宝石 安装 将此行添加到您的应用程序的Gemfile中： gem 'balm' 然后执行： $ bundle install 或将其自己安装为： $ gem install balm 用法 require 'balm' Balm :: Plot . trope #=> "Arranged Marriage" Balm :: Plot . archetype ( 4 ) #=> "Minor God, Curate, Bard, Ghost" Balm :: Plot . setting #=> "The ruins o
Lidar Mapping Method
m0_37604894的博客
11-02 626
通过Lidar建立点云地图，方案介绍。
经典文献阅读之--BALM(用于雷达建图的集束调整BA)
lovely_yoshino的博客
10-20 1232
注意查看自己的点云数据量和velodyne的区别，如果点云数量少就修改point_cloud_filter/config/parameters.yaml#关闭voxel grid filter。
BALM——对激光建图使用Local-BA
MAX_Hope的博客
04-26 1841
BALM框架 对每个scan通过位姿初值转换到世界坐标系上，多帧scan的点组成了一个“线”或“面”特征。计算一个特征内所有点的协方差矩阵A，通过优化A特征分解后的特征值最小。因为线特征，最大特征值表示线段方向，面特征，最小特征值表示面的法向量方向。本文推导了误差对点的雅克比矩阵和误差对位姿的雅克比矩阵。注意：本文中的地图点和位姿是相互独立的，因此，在实验中BALM可以在因为退化导致位姿走“之”字形时，点云依然保持一致性。 自适应voxel的划分，从1m分辨率通过八叉树划分到0.125m分辨率。目的是保
经典算法详解 | BALM激光点云的BA优化问题
CV_Autobot的博客
06-06 3924
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取今天自动驾驶之心很荣幸邀请到Nicky来分享BALM激光点云的BA优化问题，如果您有相关工作需要分享，请在文末联系我们！作者 | Nicky编辑 | 自动驾驶之心>>点击进入→自动驾驶之心【SLAM】技术交流群论文：https://ieeexplore.ieee.org/document/9366383?denied=代...
开源激光SLAM项目BLAM－－－－－１
Adam_996的博客
08-29 9412
　　最近在学习SLAM和ROS，首先接触到的是github上的开源项目BLAM，是berkely的一位小哥所写，油管上有相关的视频。这篇教程面向于SLAM和ROS的初学者，如果有问题还希望各位大神进行指正。 　　 　　先贴一张github上附带的效果图 　　 　　 系统概述 BLAM使用PointCloudXYZ类型点云数据作为输入，在视频里使用一个velodyneVLP16激...
BLAM源码解析（一）—— 模块初始化
一只小菜鸟的博客
06-27 2178
对BLAM在线部分进行解析。 blam_slam.cc文件直接进行初始化： if (!bs.Initialize(n, false /* online processing */)) { 其中两个参数，n代表ros句柄，false代表不进行日志记录。 让我们跳转到BlamSlam.cc，看一下初始化的作用： 首先在句柄n的命名空间blam_slam中，附加命名空间BlamSlam： name_ = ros::names::append(n.getNamespace(), "Blam
Lidar_imu自动标定源码阅读（五）——BALM部分
m0_48748418的博客
08-17 923
Lidar_imu自动标定源码阅读
论文Review LSLAM BALM | 经典激光SLAM方案！港大MARS出品！RAL2021 | 激光BA优化
weixin_42148238的博客
07-30 1054
本文提出了一种面向激光雷达建图的集束调整方法BALM，通过最小化特征点到匹配边缘/平面的距离来优化滑动窗口内的扫描位姿。与视觉BA不同，该方法通过解析求解特征参数，显著降低了优化维度。作者推导了代价函数的一阶和二阶解析导数，并提出自适应体素化方法高效搜索特征对应。实验表明，该方法在10Hz下近乎实时运行，优化20次扫描点云时可有效降低LOAM的漂移误差，且适应不同场景特征。
BALM：3D激光点云地图离线优化代码剖析
z15f34的博客
06-07 732
流程:cut_voxel。
R3live论文翻译
JunJun
06-25 2160
在本文中，我们提出了一个新颖的激光惯性视觉传感器融合框架，也就是R3live；它利用了激光雷达、惯性和视觉传感器的测量值，可以得到鲁棒和高精度的状态估计。R3live包含了两个子系统，激光惯性里程计系统（LIO）和视觉惯性里程计系统（VLO）。LIO子系统（FAST-LIO）利用激光雷达和惯性传感器的测量数据构建全局地图的几何特征。VIO子系统则利用视觉和惯性传感器的测量数据给地图添加纹理（也就是给3D点赋予颜色）...............
BLAM源码解析（五）—— 回环检测
一只小菜鸟的博客
06-28 853
上一节介绍了BLAM的帧间匹配和帧图匹配，代码简洁明了。 本节介绍BLAM的回环检测模块。具体代码块如下： // Check for new loop closures. bool new_keyframe; if (HandleLoopClosures(msg_filtered, &new_keyframe)) { // We found one - regenerate the 3D map. PointCloud::Ptr regenerated_map(new
全面领先BALM！PSS-BA：LIDAR BA和点云平滑的完美共舞
CV_Autobot的博客
05-23 609
作者| Jianping Li 编辑| 3D视觉之心点击下方卡片，关注“自动驾驶之心”公众号戳我-> 领取自动驾驶近15个方向学习路线>>点击进入→自动驾驶之心『SLAM』技术交流群本文只做学术分享，如有侵权，联系删文局部平面假设的影响从移动测绘系统获得的点云数据通常存在两种误差来源：姿态误差和激光雷达测量误差。大多数现有的SLAM系统利用一些顺序配准方案（如ICP、NDT...
BLAM源码解析（二）—— 从激光回调入手
一只小菜鸟的博客
06-27 477
上一节(https://blog.youkuaiyun.com/weixin_44684139/article/details/118279360)我们介绍了系统各个模块的初始化，加载了许多的参数，创建了许多的发布者，构建了因子图、初始八叉树地图等。本节介绍激光数据回调以后的相关内容。 激光雷达数据订阅者建立于src\blam_slam\src\BlamSlam.cc的 pcld_sub_ = nl.subscribe("pcld", 100, &BlamSlam::PointCloudCallb
自动化生成的PDF：Bundle Adjustment优化与参数化探讨
"这篇文档是李小山关于第7章作业1的内容，主要涉及Bundle Adjustment（BA）的优化问题和参数化方式，以及后续研究的发展方向。文档还提到了一个名为BAL-dataset的数据集和如何安装g2o库进行实验。" 在计算机视觉...
评论 5
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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