- 博客(16)
- 收藏
- 关注
RSS订阅原创 《自动驾驶与机器人中的slam技术:从理论到实践》笔记——ch7（4）
主要是通过激光雷达获取环境三维点云（也可以选择IMU、轮速计来进行辅助传感），软件核心模块是前端点云配准帧间匹配、实现相邻点云的对齐（可以先找到最近邻（暴力最近邻、栅格和体素法、二分树与k-d树、四叉树和八叉树），之后进行拟合（直线拟合、平面拟合））进行基础点云处理，处理完之后进行点云匹配（使用点到点ICP、点到线ICP、似然场法的匹配方法），之后利用栅格地图的方法建立子地图，可使用关键帧或者是体素的方法将子地图拼接构建成局部地图，并使用回环检测来进行地图优化。去畸变是去当前帧激光点云的畸变。
2025-12-30 19:09:22
476
原创 《自动驾驶与机器人中的slam技术:从理论到实践》笔记——ch7（3）
的激光雷达里程计，这种称为特征法激光雷达里程计，方法为先对点云提取一些简单的特征，之后对特征点进行配准，同时也要根据特征点本身的不同性质，采取不同的配准方法，使之更加精准。一定限度地提取特征，有助于进一步优化配准结果，然而，这种基于线束的方法实际上利用了很多先验信息，如点云由若干条扫描线组成，激光雷达是水平放置的，等等。基于线束的特征提取需要知道点云本身的线束信息（可以从驱动程序中获取，也可以根据每个点的坐标计算该点的俯仰角度，然后通过雷达自身每条线的俯仰角度信息，推断该点属于哪个线束）。
2025-12-29 21:01:39
688
原创 《自动驾驶与机器人中的slam技术:从理论到实践》笔记——ch7（2）
时，才将当前帧标记为关键帧，平移阈值：相对平移距离 > 设定值（如 0.5 米），旋转阈值：相对旋转角度（转弧度后）> 设定值（如 30 度））更新关键帧队列，将关键帧点云转换到世界坐标系后，存入双端队列，：若缓存的关键帧数量超过设定上限（如 30 个），每次新增关键帧后，拼接队列中所有关键帧的世界坐标系点云，将重建后的局部地图设为 NDT 配准的 “目标点云”，为后续帧配准做准备。由此可得在实现局部地图构建时，只需去一些关键帧，不断地往NDT内部添加新关键帧，然后效用函数即可，不用去拼接关键帧点云。
2025-12-27 21:46:24
543
原创 《自动驾驶与机器人中的slam技术:从理论到实践》笔记——ch7（1）
三维激光雷达的信息比二维激光雷达的信息更丰富，不容易被遮挡，能够更好地重建场地的三维结构。我们既可以对三维点云直接进行配准，也可以提取一些几何特征后再进行配准。
2025-12-23 16:24:13
977
原创 《自动驾驶与机器人中的SLAM技术：从理论到实践》笔记——ch6（2）
在进行扫描匹配之后，得到了两个扫描数据之间的相对运动。这个过程相当于SLAM中的定位问题，得到位置之后我们就要进行建图工作。对于建图问题因为物体的移动数据是进行变化，当这些数据在一个固定大小的地图上时，是将所有的扫描点放入构成地图，还是应该设置一些相互覆盖、刷新的策略呢，6.3就是来学习地图的管理模式，。首先是占据栅格地图，是以栅格的形式（或者以图像的形式）存储占据概率的地图。
2025-12-17 11:37:35
839
原创 《自动驾驶与机器人中的SLAM技术：从理论到实践》笔记——ch6（1）
2D SLAM的框架，如下。1.二维激光雷达传感器按照一定频率向外输出激光测距信息，称一圈数据为一次。2.将扫描信息与某些东西进行匹配，可以计算扫描数据对应的机器位姿，这个过程称为。扫描匹配方式有两种：1.将Scan与前一次Scan进行匹配，称为Scan to Scan；2.也可以将它与地图相匹配，称为Scan to Map。3.估计完Scan的位姿之后，就可将其组装到地图中，最简单的方案是将所有Scan按时间顺序放到地图中，此种方式可能收到累计误差或者运动物体的影响。
2025-12-09 12:37:48
574
原创 《自动驾驶与机器人中的SLAM技术：从理论到实践》笔记——ch5（2）
在了解基础点云数据处理后，来学习基础元素的提取和设计，这类问题也归为检测问题或聚类问题，在slam中，比较关心如何利用这些元素来帮助我们进行点云之间的匹配和配准。直线拟合是寻找最大值的方向，而平面拟合则是寻找最小值的方向;直线拟合对应到矩阵的最大特征值问量，而平面拟合则对应最小特征值向量。先设直线的真值参数，然后对直线上的采样点添加噪声，再由采样点估计出直线参数。个三维点组成，此处我们使用直线上一点再加上直线方向的矢量来描述直线，设直线上的点。给定一组由n个点组成的点云。ps:好学会学（哭死）
2025-12-03 14:57:54
248
原创 《自动驾驶与机器人中的SLAM技术：从理论到实践》笔记——ch5（1）
从本章开始，我开启了这本书第二部分的学习（数学好难，终于迷迷糊糊地学完啦）,本章开始激光雷达的定位于建图，激光雷达传感器是自动驾驶和机器人应用中最重要的传感器之一。在本章中我们将学习一些算法来处理最近邻问题和拟合问题，来从激光雷达获取的点云数据来进行简单的几何形状拟合，为后续的2Dslam与3Dslam打下基础。在进行基础点云数据处理时最基本的问题是。
2025-12-02 19:34:09
855
原创 《自动驾驶与机器人中的SLAM技术：从理论到实践》笔记——ch4（3）
这样就完成了对IMU的一次数据操作，如果不进行优化 ，则预积分和直接积分的效果是完全一致的，都是对IMU数据一次性地积分。ps：第四章能明白每个模块是干嘛的，但是不明白具体是如何实现的，特别是图优化的边这个极其不理解，前面的预积分能理解，学到后面的前面的也快忘光了，天杀的这才是第一部分，希望后面不要太艰难。实现预积分相关的图优化，首先我们要将15维或者18维状态变量对应到图优化的顶点，使用散装的形式，所以每个状态分为位姿、速度、陀螺仪零偏、加速度零偏四种顶点。首先，实现预积分自身的结构。
2025-11-26 16:52:08
915
原创 《自动驾驶与机器人中的SLAM技术：从理论到实践》笔记——ch4（2）
其中x为优化变量，而F（x）为优化函数，此问题称为无约束优化问题，因为我们没有给出任何约束形式，由于slam中优化问题多为无约束优化，所以我们着重介绍无约束的形式。当F（x）特殊时我们可以采用一些特殊解法，例如求导，找出极值来找到min，这是对于F（x）简单的情况，当F（x）较为复杂时，我们无法写出解析式，因此，多数时候我们使用迭代方式求解。2.信息矩阵是协方差矩阵的逆，是一个对称矩阵，最简单的是把Ω设成对角矩阵，对角阵元素的大小表明我们对此项误差的重视程度。所谓图优化就是把一个常规的优化问题用图来表述。
2025-11-25 17:00:58
816
原创 《自动驾驶与机器人中的SLAM技术：从理论到实践》笔记——ch4（1）
IMU预积分的初衷是借助视觉SLAM中图优化的思想，将帧与帧之间IMU相对测量信息转换为约束节点的边参与到优化框架中（看不明白这句话），但是IMU预积分的本质是由之前学习的知识我们知道IMU的值是测量值和噪声构成，在上述过程中必不可少得有噪声的干扰，在PVQ更新过程中，通过对IMU测量噪声协方差的递推，获得每周期PVQ增量测量值的噪声分布，再通过求协方差的逆的平方根，得到信息矩阵，对残差中PVQ的比例进行调节，起到平衡权重的作用。
2025-11-24 17:34:44
826
原创 《自动驾驶与机器人中的SLAM技术：从理论到实践》笔记——ch3（2）
在双天线方案中，定义其中一个为主天线，表示车辆位置，另一个为副天线，通过主副天线的位置矢量相减，得到车辆朝向，进而获得车辆角度（主要为航线角yaw）。演示如何将RTK的经纬度坐标转换为米制的UTM坐标，同时使用双天线方案确定车辆的方向角，不考虑车辆的俯仰和翻滚，将它们视为零，虽然车辆实际输出的为四自由度坐标，但是假设车辆俯仰和翻滚为零的前提下，也可以把RTK输出视为六自由度的位置变换，即SE(3)的位姿。为了准确测量车辆的角度，尽可能把两根天线放得尽可能远，双天线的距离也叫做RTK的基线。
2025-11-24 11:15:47
1021
原创 《自动驾驶与机器人中的SLAM技术：从理论到实践》笔记——ch3（1）
本节将介绍IMU和卫星定位的基础知识，探讨IMU的演示它的积分效果，将使用误差状态卡尔曼滤波器实现一个简单的组合导航方案。
2025-11-08 21:38:19
831
原创 《自动驾驶与机器人中的slam技术:从理论到实践》笔记——ch2（2）
在SLAM领域，最优化问题用图模型进行描述，对应的图模型称为图优化(GraphOptimiza-tion)或者因子图(FactorGraph)。因子图模型可以进一步引入概率图模型中的方法进行求解。ps：本人对这个最优化方法和图优化的在实际工程中的应用还不太理解，等俺们再学学继续更新，本章最大的感悟是找对学习资源真的是事半功倍呀。在非线性系统中，可以对运动方程和观测方程进行线性化，然后将卡尔曼滤波器的结论应用在非线性系统中，为。预测步骤对运动方程进行递推，更新步骤则对上一步的结果进行修正。
2025-11-05 17:24:44
512
原创 《自动驾驶与机器人中的slam技术:从理论到实践》笔记——ch2（1）
摘要：本文介绍了几何学中坐标系的基本概念，重点讨论了世界坐标系与车辆本体坐标系之间的变换关系，包括旋转矩阵、四元数和旋转矢量等表示方法。阐述了向量的内积、外积运算以及不同坐标系下的坐标转换。此外，还简要提及了李群与李代数在运动学中的应用，包括速度变换、扰动模型和雅可比矩阵等内容。文章最后指出某些数学概念较为抽象，需要进一步理解。
2025-10-30 17:01:43
744
原创 《自动驾驶与机器人中的slam技术:从理论到实践》笔记——ch1
摘要：本文第一章介绍了自动驾驶技术，重点阐述了自动驾驶的三个核心能力（感知、定位、规划控制）和分级标准（L1-L5），并分析了L2与L3、L4与L5的关键区别。特别强调L4自动驾驶需要高精地图和定位系统，解释了高精地图的数据来源和生产方式。文章采用通俗易懂的语言，结合图表说明，适合自动驾驶初学者理解基础概念。
2025-10-29 15:12:05
513
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人