qq_45701501的博客

ubuntu2004部署fastlivo2

是一款可用于离线优化点云地图工具。部署安装容易出问题，这里记录一下。

关键优化点 ：作用IKD-Tree ：动态点云管理，快速最近邻搜索EKF 递推优化 ：避免全局优化，减少计算量IMU 预积分 ：先验估计，提高匹配效率状态空间优化 ： 直接优化位姿，减少非线性计算局部地图维护 ： 仅存储关键点，减少内存和计算负担多线程并行 ： 提高 CPU 资源利用率轻量级 C++ 实现 ：适用于嵌入式设备，降低计算开销高动态环境优化 ： 适应无人机、自动驾驶等高速运动场景。

本来打算只是归纳一下数学求导相关公式，后面也写了旋转求导相关内容，哈哈。感觉有点发散把握不住呀。水平有限，欢迎评论区点出。

雅可比手推过程例子

fastlivo 本地部署复现

slam_in_autonomous_driving编译踩坑记录

轨迹拼接点云地图经验介绍

激光点云数据结构特征判断经验分享

前沿：跟组合惯导和激光雷达打交道半年了，过程中查找学习了这两方面的资料，这里来个小结。如果有理解错误的，望大佬们不吝赐教。一、RTK组合惯导个人理解有两部分组成，一个提供gps信息的rtk，另外一个实时姿态信息的imu。１、rtk１）输出gps信号，可获取极高的定位精度（当然是在没有遮挡情况下）２）rtk的双天线安装在车子上时，一定要进行杆臂值标定，否则不能使用的！！！至于标定方法和标定结果的验证，可以跟供应商的技术支持确认，一般有对应的用户手册３）驱动输出的数据内容，一定弄清楚数据格式的坐标系

前言：这系列笔记是学习曾书格老师的激光slam课程所得，这里分享只是个人理解，有误之处，望大佬们赐教。这节课主要介绍激光点云的前端配准算法。１．帧间匹配算法［帧间匹配算法，不一定指的是前后帧情况，也可能是好几帧情况］1.1 ICP匹配算法已知点的求解方法求解证明：［没理解，上图左侧的底部式子为零］[正定对称举矩阵：矩阵对称，并且元素都是大于０]［正交矩阵，其逆矩阵和转置矩阵相等］［右侧的Track拼写有误，应该写成Ｔrace］[老师说，slam更偏向于一个工程问题而不是一个理论问题

前言：这系列笔记是学习曾书格老师的激光slam课程所得，这里分享只是个人理解，有误之处，望大佬们赐教。这节课主要介绍一些3d slam数学知识，以及典型代表loam。1. ３d激光SLAM1.1 介绍［在地图上，２ｄ的是三个自由度的；３ｄ的是六个自由度的；三维包含微分流形（多次的三个自由度导致的）（个人没理解）］1.2 对比1.3 3d slam的帧间匹配－－点到面距离方法［回环检测，本质也是帧间匹配］［这里的目标函数表示的是点到面的距离］1.4 帧间匹配算法－－基于特征的方法［由

前言：这系列笔记是学习曾书格老师的激光slam课程所得，这里分享只是个人理解，有误之处，望大佬们赐教。这节课主要介绍基于已知位姿的构图算法(grid-based)[slam里面最难的是位姿估计]［位姿估计，前面学习过的方法，帧间匹配方法，优化方法；这两个属于图优化方法，pose-graph其表示机器人的位姿］１．地图分类1.1 地图１）地图即为环境的空间模型２）环境地图是机器人进行定位和规划的前提３）地图主要分为三类：尺度地图，拓扑地图，语义地图［定位的话，可以使用特征地图或者栅格地图；规

前言：这系列笔记是学习曾书格老师的激光slam课程所得，这里分享只是个人理解，有误之处，望大佬们赐教。这节课主要介绍基于图优化的激光slam方法(Grid-based)１． Graph-based SLAM［front-end 是前端处理，具体为一个构图过程（scan-match帧间匹配＋loopclosure回环检测）；back-end表示后端处理］［图优化，这里的图可以从ｃ＋＋里面的图知识进行理解］１）用一个图(graph)来表示slam问题２）图中的节点来表示机器人的位姿３）两个节点之间的

前言：这系列笔记是学习曾书格老师的激光slam课程所得，这里分享只是个人理解，有误之处，望大佬们赐教。这节课主要介绍cartographer源码重点关注点。1．cartographer使用的版本是16年２月份发布的版本２．主要看mapping_2d和mapping_3d里面的内容３．在mapping_2d中，重点关注源文件：global_trajectory_builder.cclocal_trajectory_builder.ccsparse_pose_graph.ccconstraint_

前言：这系列笔记是学习曾书格老师的激光slam课程所得，这里分享只是个人理解，有误之处，望大佬们赐教。这节课主要介绍基于滤波的slam方法，重点学习其中的滤波数学理论，而非应用在slam。［当前的实际使用的激光SLAM都不会选择滤波器类型的，因为其效果并不好．由于基于滤波方式在SLAＭ发展是有重要的意义的，所以也进行介绍一下．当然，滤波的知识在激光slam应用不多，但其背后的数学理论，贝叶斯估计＼粒子滤波，知识在其他领域很多使用］１．贝叶斯滤波［在状态估计里面，分为两派，一个是贝叶斯派，另外一个是频率

前言：这系列笔记是学习曾书格老师的激光slam课程所得，这里分享只是个人理解，有误之处，望大佬们赐教。这节课主要介绍激光的运动畸变去除相关知识。1.概念介绍1.1激光雷达传感器介绍1.1.1　测距原理三角测距、飞行时间[比较便宜的，或者探测距离10米内的，激光雷达测距原理一般选择三角测距][远距离使用飞行时间比较合适，但是想要短距离使用且保证精度，是非常有挑战性的][个人理解，短距离如1米范围，使用飞行时间原理的雷达测距，效果非常差]1.1.2 特点1）三角测距：a、中近距离精度较高[

前言：这系列笔记是学习曾书格老师的激光slam课程所得，这里分享只是个人理解，有误之处，望大佬们赐教。这节课介绍的是里程计运动模型和标定方面的知识。1、里程计模型1.1、两轮差分地盘的运动学模型1.1.1　优点结构简单[保证越障能力不错]、便宜（两个电机）、模型简单1.1.2　差分模型差分模型属于一种欠驱动模型（自由度有三个xy+角度，输入只有xy速度）运动公式推导过程：角速度推算：线速度推算：1.2 三轮全向底盘的运动学模型特点：任何方向平移、结构简单、全驱动系统[xy+

前言：这系列笔记是学习曾书格老师的激光slam课程所得，这里分享只是个人理解，有误之处，望大佬们赐教。这节课介绍的是3d 激光slam。1.3D激光SLAM的介绍1.1 3d雷达slam的输入1）IMU数据2）里程计数据3）3d激光雷达数据1.2 3d激光slam的输出1）3d点云地图2）机器人的轨迹or PoseGraph1.3 3d激光SLAM的帧间匹配方法1）Point-to-Plane ICP [点到面ICP匹配]2）NDT [常用于纯定位上，由于其计算量比较小]3）F

前言：这系列笔记是学习曾书格老师的激光slam课程所得，这里分享只是个人理解，有误之处，望大佬们赐教。这节课介绍的是２Ｄ激光slam。1. 2d激光slam的介绍激光slam的输入：ＩＭＵ数据，里程计[可以简化理解为一种描述机器人的定位姿态信息的东西]数据，激光雷达数据激光slam的输出：覆盖栅格地图，机器人的轨迹或pose graph帧间匹配方法：PI-ICP,CSM(correlation scan math)［对初值不敏感，但是只是对一定范围进行细分但不能无限细分以节省计算量，其精度受限

前言：这系列笔记是学习曾书格老师的激光slam课程所得，这里分享只是个人理解，有误之处，希望大佬们赐教。这节课介绍的是介绍激光slam的发展和应用。1.　slam是什么1.1　slam的定义localization:在给定地图的情况下，估计机器人的位姿mapping:在给定机器人位姿的情况下，估计环境地图slam:同时估计机器人的位姿和环境地图1.2　slam解决的问题机器人在环境中的位姿导航过程中需要的环境地图2.　slam的分类部分术语解析：metrical map: 尺度地图