<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[自主无人机 PX4 ROS SLAM 路径规划 MVS等技术分享]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/sinat_16643223</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; sinat_16643223]]></copyright><item><title><![CDATA[一个无人机森林场景数据集ForVis及七个视觉惯性SLAM的测评]]></title><link>https://blog.youkuaiyun.com/sinat_16643223/article/details/169367319</link><guid>https://blog.youkuaiyun.com/sinat_16643223/article/details/169367319</guid><author>sinat_16643223</author><pubDate>Wed, 28 Oct 2026 22:07:14 +0800</pubDate><description><![CDATA[无人机上的视觉惯性SLAM（Visual-Inertial SLAM，VI-SLAM）在真实森林环境中的性能仍难以得到充分评估，因为运动、光照变化、重复性植被纹理以及振动等因素都会影响其状态估计。本文提出ForVis，这是一个面向森林环境下无人机飞行场景的实地数据集与评测基准，旨在评估 VI-SLAM 系统的性能。该数据集包含12段飞行序列，覆盖开阔草地、林冠上方和林冠下方三类环境。数据采集过程中，搭载的和两套相机系统用于记录视觉数据，同时采集惯性测量数据和飞控数据。整个数据集累计包含563.8。]]></description><category></category></item><item><title><![CDATA[实例讲解SLAM位姿传给PX4前需要如何做坐标系变换——包含MAVROS和uXRCE-DDS两种情形]]></title><link>https://blog.youkuaiyun.com/sinat_16643223/article/details/168626732</link><guid>https://blog.youkuaiyun.com/sinat_16643223/article/details/168626732</guid><author>sinat_16643223</author><pubDate>Wed, 21 Oct 2026 08:40:26 +0800</pubDate><description><![CDATA[用mavros或者uXRCE-DDS把SLAM位姿转给PX4前，需要对SLAM位姿做的坐标系变换的关键点就是两个:

    对于mavros情形
    把当前SLAM位姿的body系转为FLU body系，把当前SLAM位姿世界系转为ENU世界系。
    对于uXRCE-DDS情形
    把当前SLAM位姿的body系转为FRD body系，把当前SLAM位姿世界系转为NED世界系。]]></description><category></category></item><item><title><![CDATA[给ORBSLAM2/3添加传统光流提升跟踪鲁棒性的十几项工作汇总整理]]></title><link>https://blog.youkuaiyun.com/sinat_16643223/article/details/167283806</link><guid>https://blog.youkuaiyun.com/sinat_16643223/article/details/167283806</guid><author>sinat_16643223</author><pubDate>Thu, 08 Oct 2026 22:36:18 +0800</pubDate><description><![CDATA[对于ORBSLAM在运动/晃动场景下易跟丢的其中一个解决思路是加上传统光流，这里的传统光流主要指LK光流，基于深度学习的光流我会另外再谈。最典型的我们可以看vinsfusion，在无人机上时，我们把无人机机头猛转个180度，vinsfusion还是依旧稳定的，没有说出现跟丢啥的，那如果换成ORBSLAM，那可能早就因为匹配点数不足导致跟踪失败了。这里面的原因就在于ORBSLAM前端是基于的方式，特别是（当然不仅限于此），而vinsfusion的前端是特征点提取+光流跟踪的方式。]]></description><category></category></item><item><title><![CDATA[GPS拒止与视觉退化环境下无人机鲁棒视觉SLAM的多范式评估与部署研究]]></title><link>https://blog.youkuaiyun.com/sinat_16643223/article/details/166833780</link><guid>https://blog.youkuaiyun.com/sinat_16643223/article/details/166833780</guid><author>sinat_16643223</author><pubDate>Tue, 29 Sep 2026 10:14:25 +0800</pubDate><description><![CDATA[这是一篇面向无人机场景的视觉SLAM测评论文，对比了ORB-SLAM3、DPVO、DROID-SLAM、DUSt3R和MASt3R五种视觉SLAM(都在单目模式下，无IMU无深度图)，在及、、以及条件下，评估它们的绝对轨迹误差（ATE）、相对位姿误差（RPE）、跟踪成功率（TSR）、帧率（FPS）、GPU显存占用；硬件方面，主要对比实验在RunPod云平台配有双 的计算节点上完成，同时也在 、、 和  四个NVIDIA Jetson系列嵌入式平台上开展了推理延迟测试与功耗效率（FPS/W）分析，并据此对搭载]]></description><category></category></item><item><title><![CDATA[深度学习为何能提升视觉SLAM性能？]]></title><link>https://blog.youkuaiyun.com/sinat_16643223/article/details/166737327</link><guid>https://blog.youkuaiyun.com/sinat_16643223/article/details/166737327</guid><author>sinat_16643223</author><pubDate>Sun, 27 Sep 2026 15:59:18 +0800</pubDate><description><![CDATA[视觉同时定位与建图（Visual SLAM）是一项成熟的技术，已广泛应用于各类现实场景。然而在低纹理、严重运动模糊、光照不佳等挑战性视觉条件下，其性能仍会出现明显下降。基于深度学习的系统通过将学习得到的二维数据关联与不确定性，和循环架构中的可微分几何优化相结合，性能超越了传统基于几何的方法，达到了当前最优水平。但目前尚不清楚究竟是哪些组件从根本上促成了这一性能提升。]]></description><category></category></item><item><title><![CDATA[OKVIS的前端匹配流程整理]]></title><link>https://blog.youkuaiyun.com/sinat_16643223/article/details/166013259</link><guid>https://blog.youkuaiyun.com/sinat_16643223/article/details/166013259</guid><author>sinat_16643223</author><pubDate>Sat, 19 Sep 2026 21:14:07 +0800</pubDate><description><![CDATA[为什么跑来看OKVIS的前端的匹配呢，因为ORBSLAM的前端的匹配是投影匹配(而且限定搜索半径)，很容易跟丢，这个方法有其固有缺陷，那有没有更好的匹配方式呢，所以我想看看其他的前端采用特征点提取+描述子匹配方式的SLAM的做法，但可惜前端采用特征点提取+描述子匹配方式的SLAM确实很少，另一个就是OKVIS了，所以就看看OKVIS的前端的匹配是如何做的。，将候选特征限制在投影点附近的局部区域内。ORBSLAM的投影匹配是限制了搜索半径的，而OKVIS的投影匹配是全局范围的暴力匹配。]]></description><category></category></item><item><title><![CDATA[FASTLab新作 一种用于自主飞行的高效端到端局部规划器Neural-Primitive 个人整理]]></title><link>https://blog.youkuaiyun.com/sinat_16643223/article/details/164831801</link><guid>https://blog.youkuaiyun.com/sinat_16643223/article/details/164831801</guid><author>sinat_16643223</author><pubDate>Thu, 10 Sep 2026 13:00:02 +0800</pubDate><description><![CDATA[Neural‑Primitive是一个实现端到端局部规划的轻量级神经网络，网络输入是LiDAR降采样点云（666个点）、无人机当前速度和加速度、目标方向，网络输出是五阶多项式轨迹所需的剩余9个系数。]]></description><category></category></item><item><title><![CDATA[vinsfusion初始化中重力对齐世界系的x轴朝向分析]]></title><link>https://blog.youkuaiyun.com/sinat_16643223/article/details/164449786</link><guid>https://blog.youkuaiyun.com/sinat_16643223/article/details/164449786</guid><author>sinat_16643223</author><pubDate>Mon, 07 Sep 2026 08:41:41 +0800</pubDate><description><![CDATA[总结一下就是，首先按照最短路径，把Z轴转到竖直，这个时候x轴肯定在水平面，但是原始imu的x轴（没有重力对齐时的）在水平面肯定也有一个水平投影，这个水平投影和转到水平面的x轴一般不会重合有一定角度，再把世界系绕Z轴也就是水平转动，使得两个轴重合，也就是说世界系的x轴是由原始imu的x轴的水平投影决定的。ORBSLAM3是只有重力对齐这个过程，没有水平转这个过程，所以它重力对齐后的x轴就是重力对齐时转到哪里就是哪里，不会再进一步水平转一下。]]></description><category></category></item><item><title><![CDATA[对ORBSLAM3的跟踪模块、局部建图模块、回环模块都实现GPU加速的开源工作:Nitro-SLAM]]></title><link>https://blog.youkuaiyun.com/sinat_16643223/article/details/164193234</link><guid>https://blog.youkuaiyun.com/sinat_16643223/article/details/164193234</guid><author>sinat_16643223</author><pubDate>Sun, 30 Aug 2026 21:20:00 +0800</pubDate><description><![CDATA[我个人感受比较深的一点是，对于GPU加速，我们不能单一只看某个模块的计算给它并行化加速就完事了，还需要考虑到 CPU-GPU的 数据传输成本。这也是FastTrack、TurboMap 与 FastLoop 三项工作都很重视的一点。如果每次执行 GPU 计算前后都需要在 CPU 内存和 GPU 内存之间传输大量数据，那么数据搬运、内存组织和同步等待可能会抵消 GPU 并行计算带来的收益。]]></description><category></category></item><item><title><![CDATA[vinsfusion输出位姿频率和订阅图像话题频率关系]]></title><link>https://blog.youkuaiyun.com/sinat_16643223/article/details/164135982</link><guid>https://blog.youkuaiyun.com/sinat_16643223/article/details/164135982</guid><author>sinat_16643223</author><pubDate>Fri, 28 Aug 2026 07:26:24 +0800</pubDate><description><![CDATA[这里说的位姿话题指/vins_estimator/odometry，不指/vins_estimator/imu_propagate，/vins_estimator/imu_propagate话题的频率和imu话题频率基本一致，受图像频率影响的是/vins_estimator/odometry。有一个参数，在配置文件里面可以设置，就是multiple_thread，会影响到/vins_estimator/odometry话题的发布频率。我实际的完整的inputImage函数也就是这样的。]]></description><category></category></item><item><title><![CDATA[为什么ORBSLAM3的单目IMU初始化要说是基于最大后验概率估计]]></title><link>https://blog.youkuaiyun.com/sinat_16643223/article/details/164065233</link><guid>https://blog.youkuaiyun.com/sinat_16643223/article/details/164065233</guid><author>sinat_16643223</author><pubDate>Tue, 25 Aug 2026 21:16:18 +0800</pubDate><description><![CDATA[ORB-SLAM-VI 消去每帧的速度建立了线性系统，然而经过这些代数操作后，需要最小化的误差是无意义的并且与传感器噪声特性无关，为了获得包括加速度计偏置在内的精确估计，方法需要15s完成初始化。关键区别是非线性优化时残差的权重是否相同，以前的初始化非线性优化时残差的权重相同（VI-ORB-SLAM和vins-mono），ORBSLAM3的单目IMU初始化时，非线性优化时残差权重考虑到了传感器的噪声协方差，指IMU预积分的噪声协方差。在单个步骤中一次求解所有惯性参数，避免由于分开估计导致的不一致性。]]></description><category></category></item><item><title><![CDATA[IMU预积分协方差的传播就是标准卡尔曼预测]]></title><link>https://blog.youkuaiyun.com/sinat_16643223/article/details/164044075</link><guid>https://blog.youkuaiyun.com/sinat_16643223/article/details/164044075</guid><author>sinat_16643223</author><pubDate>Tue, 25 Aug 2026 09:00:01 +0800</pubDate><description><![CDATA[预积分误差状态是一个线性高斯系统，协方差传播就是该系统的卡尔曼预测步骤，只是没有观测更新。卡尔曼预测IMU 预积分协方差传播状态xkxk​误差状态δxkδxk​状态转移矩阵FkFk​离散化误差状态转移矩阵AdAd​噪声输入矩阵GkGk​噪声输入矩阵GkGk​过程噪声协方差QkQk​离散噪声协方差QdQd​协方差预测Pk1−Pk1−​预积分协方差递推Pk1Pk1​。]]></description><category></category></item><item><title><![CDATA[视觉惯性导航系统初始化方法综述]]></title><link>https://blog.youkuaiyun.com/sinat_16643223/article/details/163937331</link><guid>https://blog.youkuaiyun.com/sinat_16643223/article/details/163937331</guid><author>sinat_16643223</author><pubDate>Fri, 21 Aug 2026 09:34:45 +0800</pubDate><description><![CDATA[最近重新细看vinsfusion的单目IMU初始化时，个别点不能完全理解其所以然，后来还是觉得需要从视觉惯性初始化更大的历史发展角度来看，于是发现了这篇视觉惯性导航系统初始化方法综述，觉得很不错，遂分享，可以看到单目IMU初始化方法的多样性，vinsfusion的单目IMU初始化方法并不一定是唯一解或最优解，所以不用将其完全当成单目IMU初始化的标准答案去理解。]]></description><category></category></item><item><title><![CDATA[关于vins-fusion单目IMU初始化时为什么不估计加速度计偏置]]></title><link>https://blog.youkuaiyun.com/sinat_16643223/article/details/163921105</link><guid>https://blog.youkuaiyun.com/sinat_16643223/article/details/163921105</guid><author>sinat_16643223</author><pubDate>Thu, 20 Aug 2026 16:15:08 +0800</pubDate><description><![CDATA[但SfM窗口内的IMU测量不一定能让整个系统满足可观测性，对于旋翼微型飞行器，直线轨迹、零加速度运动等退化运动是不可避免的，这是将单目VINS应用于空中机器人的共性问题。可见有限的加速度零偏不会严重破坏算法性能，若可接受10%的初始尺度误差，算法可承受的加速度零偏上限可达。加速度零偏的标定结果如图3(a)所示：横轴为窗口内三个轴的平均旋转角度，纵轴为标定零偏的误差大小。我们发现加速度零偏通常与重力耦合，可观测性较差。尺度误差随加速度零偏的变化如图3(b)所示：横轴为加速度零偏大小，纵轴为尺度的百分比误差。]]></description><category></category></item><item><title><![CDATA[vins-mono初始化论文翻译]]></title><link>https://blog.youkuaiyun.com/sinat_16643223/article/details/163915622</link><guid>https://blog.youkuaiyun.com/sinat_16643223/article/details/163915622</guid><author>sinat_16643223</author><pubDate>Thu, 20 Aug 2026 13:13:44 +0800</pubDate><description><![CDATA[本文提出了一种鲁棒的动态实时估计器初始化算法，可为单目视觉惯性系统（VINS）提供高质量的初始状态。由于视觉惯性系统具有强非线性，无论是基于滤波还是基于图优化的方法，糟糕的初始化都会严重影响系统性能。本文方法首先通过纯视觉运动恢复结构（SfM）构建相机位姿与特征点位置的尺度未定结构；随后将该结构与IMU预积分测量值进行松耦合对齐，恢复出度量尺度、速度、重力矢量以及陀螺仪零偏，并将这些结果作为初始值启动非线性紧耦合优化框架。本文方法无需任何系统状态与运动的先验信息，可在多种场景下完成动态实时初始化。]]></description><category></category></item><item><title><![CDATA[一些收集的点线SLAM的工作]]></title><link>https://blog.youkuaiyun.com/sinat_16643223/article/details/163878836</link><guid>https://blog.youkuaiyun.com/sinat_16643223/article/details/163878836</guid><author>sinat_16643223</author><pubDate>Wed, 19 Aug 2026 10:27:51 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[11年前的一段单片机汇编代码 ]]></title><link>https://blog.youkuaiyun.com/sinat_16643223/article/details/163815196</link><guid>https://blog.youkuaiyun.com/sinat_16643223/article/details/163815196</guid><author>sinat_16643223</author><pubDate>Mon, 17 Aug 2026 10:20:17 +0800</pubDate><description><![CDATA[11年前的一段单片机汇编代码。]]></description><category></category></item><item><title><![CDATA[ESKF的一些基本理解]]></title><link>https://blog.youkuaiyun.com/sinat_16643223/article/details/163758649</link><guid>https://blog.youkuaiyun.com/sinat_16643223/article/details/163758649</guid><author>sinat_16643223</author><pubDate>Fri, 14 Aug 2026 16:45:37 +0800</pubDate><description><![CDATA[ESKF的出现主要是为了解决旋转流形这种乘性变量的EKF估计问题。  ]]></description><category></category></item><item><title><![CDATA[PX4从v1.15(stable)开始状态估计改用ESKF]]></title><link>https://blog.youkuaiyun.com/sinat_16643223/article/details/163353434</link><guid>https://blog.youkuaiyun.com/sinat_16643223/article/details/163353434</guid><author>sinat_16643223</author><pubDate>Fri, 31 Jul 2026 08:23:09 +0800</pubDate><description><![CDATA[https://zhuanlan.zhihu.com/p/2035098135236755858 这里也明确说PX4的EKF2是ESKF。PX4从v1.15(stable)开始状态估计改用ESKF。基于四元数运动学的误差状态卡尔曼滤波器（ESKF）可以看到它是参考相同的ESKF的论文。]]></description><category></category></item><item><title><![CDATA[不可观是指不可观测，观测就是卡尔曼滤波里面的观测，也就是传感器的测量值，相对于预测而言的。]]></title><link>https://blog.youkuaiyun.com/sinat_16643223/article/details/162428578</link><guid>https://blog.youkuaiyun.com/sinat_16643223/article/details/162428578</guid><author>sinat_16643223</author><pubDate>Mon, 29 Jun 2026 18:32:30 +0800</pubDate><description><![CDATA[不可观是指不可观测，观测就是卡尔曼滤波里面的观测，也就是传感器的测量值，相对于预测而言的。SLAM里面说偏航不可观就是这个意思，横滚和俯仰可以靠IMU获得观测值。]]></description><category></category></item></channel></rss>