GCLO: Ground Constrained LiDAR Odometry with Low-drifts for GPS-denied Indoor Environments

最新推荐文章于 2025-06-12 00:21:00 发布
最新推荐文章于 2025-06-12 00:21:00 发布
阅读量239 收藏 1
点赞数 2
文章标签： 算法
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。
本文链接：https://blog.youkuaiyun.com/weixin_42762536/article/details/140258452
版权

LiDAR 被广泛应用于SLAM和高精地图中，LiDAR 里程计 (LO) 的准确性非常重要，尤其是在无GPS的环境中。然而，我们发现经典的

最低0.47元/天 解锁文章
GCLO：具备地面约束的适用于停车场AVP任务的lidar里程计(ICRA 2022)
3D视觉工坊
07-22 376
论文阅读：GCLO: Ground Constrained LiDAR Odometry with Low-drifts for GPS-denied Indoor Environments(ICRA 2022)Motivation在具体的工程实践中，lidar在地下停车场容易沿垂直方向向上漂移，导致建图结果不佳。具体原因是当入射角较大时，激光雷达测量的深度可能会出现偏.........
GCLO：基于地面约束的停车场自动驾驶车辆路径规划与导航
2301_79326891的博客
09-07 161
为了解决这一问题，我们引入了基于地面约束的激光雷达里程计（Ground-constrained LiDAR Odometry, GCLO），它能够在停车场环境中提供精确的车辆定位和路径规划信息。它利用地面约束来过滤掉非地面的杂波点，从而提取出车辆所在的地面点云。通过对地面点云进行特征提取和匹配，可以计算出车辆的运动轨迹和姿态变化，从而实现里程计的估计。通过地面点云的提取、特征提取和匹配，以及里程计估计，GCLO能够为自动驾驶车辆在停车场环境中提供准确的定位和路径规划信息。函数来实现GCLO的整体流程。
【论文阅读】GCLO: Ground Constrained LiDAR Odometry with Low-drifts for GPS-denied Indoor Environments
博客标题不能为空我也没办法
09-09 1435
旷世团队提出的针对室内停车场环境的增强激光SLAM，通过增加CP表示法的平面方程的约束，来解决激光入射角过大的情况下造成的点云“弓形”畸变
近期开源的LiDAR SLAM佳作赏析
3D视觉工坊
04-06 110
最后，在所有展示的数据集中，我们的系统运行速度都超过了传感器的帧率。通过鸟瞰图（a1）、（b1）、（c1）以及特写图（a2） - （a7）、（b2） - （b7）、（c2） - （c7）展示了自适应激光惯性里程计（Adaptive-LIO）、无多分辨率地图的自适应激光惯性里程计（Adaptive-LIO w/o mmap）和其他算法（快速激光惯性里程计2（FAST-LIO2）、点云激光惯性里程计（Point-LIO）、深度学习激光惯性里程计（DLIO）和惯性图激光惯性里程计（IG-LIO））的建图细节。
GCLO：具备地面约束的适用于停车场AVP任务的lidar里程计
人无远虑，必有近忧
01-21 610
在具体的工程实践中，lidar在地下停车场容易沿垂直方向向上漂移，导致建图结果不佳。具体原因是当入射角较大时，激光雷达测量的深度可能会出现偏差。因此，当车辆在地面上移动时，从道路上观察到的点会稍微弯曲，LO 估计的轨迹会沿垂直方向漂移。因此为了消除 LiDAR 测量偏差并压缩可预测的位姿漂移，通常做法是需要针对不同的传感器调整比例因子，并且需要根据环境温度产生差异，所以为了提升鲁棒性，加入地面平面的考量减少无关项的影响是一个实用的选择。......
经典文献阅读之--GCLO(用于无GPS室内环境的低漂移地面约束激光里程计)
lovely_yoshino的博客
11-30 7998
自动代驾泊车（AVP）是自动驾驶技术的一个很有前景的应用，其旨在使车辆自行导航并自动停车到目标位置。高清地图在AVP中发挥着关键作用，因为它可以以厘米级的精度提供目标停车场的先验信息。相较于开放道路场景来说，RTK其实可以起到比较关键的作用，但是比如在底下停车场这类结构比较单一，且没有GPS的场景，lidar在地下停车场容易沿垂直方向向上漂移，导致建图结果不佳。具体原因是当入射角较大时，激光雷达测量的深度可能会出现偏差。
GCLO：适用于停车场AVP任务的地面约束Lidar里程计编程
CodeSpark的博客
08-13 158
因此，我们可以通过传统的地面分割算法，将点云数据分为地面和非地面两部分。其中，地面点云由平均高度较低的点组成，而非地面点云则包含了停车场的障碍物等其他目标。在停车场AVP任务中，我们可以利用Lidar里程计来估计车辆在停车场内的运动轨迹，从而实现准确的泊车操作。假设我们使用的是一款360度水平扫描的激光雷达，它可以提供车辆周围环境的点云数据。函数中，我们可以获取车辆的角速度和线速度，并利用运动模型来估计车辆的姿态变化。最终，结合地面约束和运动模型，我们可以得到车辆在停车场内的位置和姿态信息。
dm-slack-bot:基于Google Cloud Functions的Slackbot，用于管理D＆D松弛
04-28
DM松弛机器人 v1.0.0 您的D＆D Slack团队的乡绅该机器人使用Google Cloud Platforms 来回答玩家最常见的问题。 为了便于维护，这些答案均由DM可以更新的Google表格提供。... 更新您的glocud组件并安装beta组件： gclo
Mine-Tweets-Google-Cloud-BigTable:Google Cloud上的MapReduce。 我在某个问题上发推文，并根据位置查找出现频率最高的单词
04-28
带有BigTable和DataProc的Google Cloud上的Python和Java项目 作为数据科学家，在不断需要计算资源的情况下，我在Google云中浏览了一个有趣的应用程序，该应用程序挖掘了Twitter... 使用以下gcloud init项目参数： gclo
Google云平台开发包gcloud.zip
07-17
gcloud 是 Node.js 用来访问 Google 云平台的客户端开发包。 示例代码： var gcloud = require('gcloud'); var ds = gcloud.datastore.dataset({  projectId: 'my-project',  keyFilename: '/path/to/key...
ICRA2022 SLAM进展---激光SLAM
weixin_43827285的博客
08-14 4908
ICRA2022 slam论文简单导读，未完待续
针对2021.3以来gazebo中Lidar点云数据不能正常使用的问题解决办法
weixin_43807148的博客
04-06 1215
问题的出现 gazebo一直是一个重要的机器人领域的仿真软件，之前我写过一篇使用gazebo和LOAM算法进行联合运行的文章: 在Ubuntu18.04中使用gazebo配合LOAM算法仿真 在那时候gazebo还是可以正常使用的，但是今年三月之后，突然周围很多人反应gazebo和任何一个LOAM算法联合运行都会报错。我试了一下，果然是这样！ 经过控制变量分析，直到一定是gazebo出了问题（版本低了？） 后来使用之前写过的一些点云处理的代码，发现 pcl::fromROSMsg(*CloudMsg, *p
ICRA2022论文汇总 | 跟踪/检测/分割/传感器标定/SLAM/轨迹预测/导航规划等
CV_Autobot的博客
10-06 2338
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群后台回复【ECCV2022】获取ECCV2022所有自动驾驶方向论文！Robotic Perception and Mapping: Emerging Techniques - WebsiteFuture of Construction: Build Faster, Better, Safer - T...
《LeGO-LOAM: Lightweight and Ground-OptimizedLidar Odometry and Mapping on Variable Terrain》论文精读
avenger_fang的博客
03-04 1732
【摘要】 我们提出了一种轻型的、基于地面优化的激光雷达里程计与建图方法，LeGO-LOAM，用于地面车辆的实时六自由度姿态估计。LeGO-LOAM是轻量级的，因为它可以在低功耗嵌入式系统上实现实时姿态估计。LeGO-LOAM是基于地面优化的，因为它在其分割和优化步骤中利用了地面平面的存在。我们首先应用点云分割来过滤噪声，以及特征提取来获得独特的平面和边缘特征。然后采用两步LM优化方法，利用平面和边缘特征来解决连续扫描中的六个自由度变换的不同分量。我们比较了LeGO-LOAM与最先进的方法L...
ICRA2022 SLAM相关论文整理
m0_37604894的博客
06-20 7629
ICRA2022 SLAM相关论文整理-附论文PDF
【论文笔记】实时、SOTA的激光里程计 Efficient LiDAR Odometry for Autonomous Driving 2021
phy12321的博客
04-24 1003
Efficient LiDAR Odometry for Autonomous Driving 2021 浙江大学 地面点在BEV中处理，非地面点在range-image中处理，解决了range-image中的相邻的地面像素点在实际中相距缺非常远从而增大了匹配误差的问题。采用scan2model的方式提升匹配精度并达到了SOTA，但是局部model使用三张二维image来存储，因此内存消耗很小且有界。最终在嵌入式设备上的速度达到了37fps, 可以说是精度、速度、内存消耗的集大成者。 概述： 现有激光里
RS-232通讯+SHA-256+AES_ECB - 128算法
ladack的博客
06-11 885
本文介绍了一个基于C语言的串口通信加密程序实现方案
【DRL】最简单的策略梯度(Policy Gradient)算法
最新发布
xfxuezhang.cn
06-12 494
最简策略梯度(Policy Gradient)算法的实现
python数据结构和算法(5)
编码小栈
06-11 625
插入排序的基本操作就是将一个数据插入到已经排好序的有序数据中，从而得到一个新的，个数加一的有序数据，算法适用于少量数据的排序。
评论
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