Unpredictable222-优快云博客

原创【传感器标定（四）：多传感器融合定位系统中的标定与时间同步方案】

本文提出了一套完整的多传感器标定系统框架，采用"三层标定"架构实现传感器间的精确时空对齐。系统包含激光雷达、相机、IMU和GPS等多种传感器，通过基于几何约束的标定方法解决外参标定问题，利用PTP协议实现硬件同步，并引入EKF算法进行在线标定与误差补偿。文章详细介绍了激光-相机、IMU-激光雷达等传感器对的标定原理与实施步骤，提供了时间同步方案和标定质量评估方法，最后给出了实验验证指标和常见问题解决方案。该方案为多传感器融合系统提供了可靠的标定基础。

2025-07-25 20:14:48 1825

原创【传感器标定（三）：激光雷达标定原理与实现详解】

本文系统介绍了激光雷达标定的基本原理与方法。主要内容包括：激光雷达标定的分类（内参标定和外参标定）、坐标系定义和刚体变换数学基础；详细阐述了测距误差和光束方向两种内参标定方法；重点分析了基于目标（平面标定板、三维标定物）和基于运动（手眼标定、点云配准）的外参标定方法；介绍了多传感器联合标定技术及非线性优化、鲁棒标定等实现方法；最后提出了定量和定性两种标定评估体系。为激光雷达在自动驾驶等领域的精确应用提供了系统的标定技术指导。

2025-07-24 11:07:45 2786

原创【传感器标定（二）：IMU标定原理与实现详解】

IMU传感器标定方法研究本文系统介绍了IMU传感器的标定技术，包括误差模型、标定方法和实现步骤。IMU误差分为确定性误差（零偏、比例因子、轴间耦合等）和随机误差（测量噪声等），需分别处理。标定方法主要包括基于转台的精密标定法和无转台的自标定法。文章详细阐述了加速度计和陀螺仪的误差模型，给出了C++实现代码，并介绍了Allan方差分析用于噪声特性评估。标定后需进行验证测试，同时需注意环境控制、数据采集等操作规范。该研究为IMU精度提升提供了实用解决方案，适用于机器人、自动驾驶等领域。

2025-07-23 10:55:46 2645

原创【传感器标定（一）：张正友相机标定法原理与实现详解】

本文详细介绍了基于张正友标定法的相机标定原理与实现。首先阐述了相机标定的基本概念，即通过3D空间点与2D图像点的对应关系求解相机参数。重点讲解了张正友标定法的数学模型，包括单应性矩阵推导和内参约束条件。提供了完整的C++实现代码，涵盖环境准备、角点检测、亚像素优化和标定计算等关键步骤，并解释了代码中各部分的功能。文中还分析了标定结果评估方法，给出了标定优化建议，并展示了标定结果在图像去畸变和三维重建中的应用。最后补充了单应性矩阵求解和内参求解的数学推导过程，为深入理解标定算法提供了理论基础。

2025-07-22 17:10:31 1273

原创【基于Cartographer的纯定位系统：AMCL的现代替代方案】

Cartographer纯定位模式相比AMCL在定位精度、动态环境适应性等方面具有显著优势。实施时需准备pbstream地图文件，修改配置文件设置pure_localization=true并指定地图路径，调整launch文件替换AMCL节点。核心逻辑包括初始化时加载地图、子图修剪策略和基于Ceres的扫描匹配优化。该方案通过子图匹配机制提高了长期定位稳定性，适用于高精度定位需求的场景。代码实现主要集中在MapBuilder初始化和PoseGraph子图管理模块，需注意保留子图数量等关键参数配置。

2025-06-13 10:03:24 2921

原创【SLAM核心库全景指南：从原理到实战】

SLAM技术涉及多学科交叉，其开发离不开一系列强大的开源库支持。本文将深入剖析SLAM开发中的核心库，通过理论讲解和代码实践相结合的方式，帮助读者构建完整的SLAM知识体系。（里面的代码是使用举例，还不能直接运行，要按照自己的实际情况修改代码）

2025-06-10 10:56:52 1291

原创【2D与3D SLAM中的扫描匹配算法全面解析】

方法类型PCL类名优点缺点适用场景点到点ICP实现简单，通用性强收敛慢，对初始位置敏感通用3D配准点到面ICP收敛快，精度高需要法线计算结构化环境GICP结合点和面信息，更鲁棒计算复杂度高复杂环境NDT对初始位置不敏感，效率高依赖网格分辨率设置大场景，自动驾驶利用特征，全局配准依赖特征提取质量无初始猜测的情况。

2025-06-09 10:30:10 2489

原创【VINS-Fusion 深度解析：从多传感器原理到工程实现】

VINS-Fusion是VINS-Mono的扩展升级版，通过多传感器（双目相机、IMU、GPS）融合显著提升了定位精度。其核心技术包括：1) IMU预积分与视觉特征联合优化；2) 改进的边缘化策略；3) 双目视觉的深度直接测量。相比VINS-Mono，在EuRoC数据集上定位精度提升27-40%。系统采用滑动窗口优化，兼顾实时性与精度，但需精确的传感器标定。未来可探索更鲁棒的初始化方法和深度学习方法增强特征跟踪。

2025-06-05 18:07:50 1517

原创【VINS-Mono算法深度解析：边缘化策略、初始化与关键技术】

VINS系列算法是基于视觉-惯性融合的高精度导航系统，核心分为数据预处理、系统初始化、滑窗VIO和回环检测四个模块。关键技术包括光流跟踪、IMU预积分和紧耦合优化。边缘化策略通过FEJ原理保持系统可观测性，差异化处理关键帧和非关键帧。与ORB-SLAM3相比，VINS采用滑动窗紧耦合优化和单位球面投影。初始化阶段通过视觉-惯性对齐恢复尺度与重力，并对退化运动进行特殊处理。基础矩阵在低视差场景下提供更稳定的位姿估计。算法通过Ceres实现边缘化因子，确保高效优化与约束保留。

2025-06-04 10:52:50 1250

原创【视觉SLAM基础（三）：光流法与直接法】

光流法和直接法是视觉SLAM中两种重要的运动估计方法。它们都基于图像的亮度不变假设，但实现方式和应用场景有所不同。本文将系统介绍这两种方法的原理，并通过TUM数据集上的实践展示具体实现。

2025-06-03 10:40:38 1470

原创【视觉SLAM基础（二）：特征点提取与匹配】

本文介绍了视觉SLAM中特征点的提取与匹配方法，重点阐述了ORB特征的实现原理及其OpenCV应用。首先讲解了FAST关键点检测和BRIEF描述子生成的基本概念，并通过代码演示了ORB特征的提取过程。接着详细介绍了特征匹配的两种主要方法（暴力匹配和FLANN匹配）及OpenCV实现。在运动估计部分，解释了对极几何原理和八点法求解本质矩阵，并提供了相机位姿估计的代码示例。最后简要提及了三角测量原理，为后续3D点云重建奠定基础。全文通过理论与实践结合，为视觉里程计的实现提供了完整的技术路线。

2025-05-30 10:37:31 3011

原创【视觉SLAM基础（一）：视觉传感器与几何基础】

视觉SLAM(Simultaneous Localization and Mapping)是机器人感知领域的重要技术，而相机作为视觉SLAM的核心传感器，其成像原理和相关几何知识是理解整个系统的基石。本文将详细介绍相机成像模型、内外参数、畸变矫正等核心概念，最后还有OpenCV实践。

2025-05-29 10:27:44 1249

原创【SLAM中的点云处理：从基础到实战】

本文分享了SLAM中点云处理的核心技术与实践方法。首先介绍了点云在激光雷达SLAM、三维重建等领域的核心作用，以及四大基础任务（最近邻搜索、几何拟合、滤波降采样、配准与特征提取）。详细讲解了点云数据结构、刚体变换数学表示，以及KD-Tree、RANSAC等关键算法原理与PCL实现。重点解析了滤波（体素网格、离群点去除）、ICP配准、法向量和FPFH特征提取等核心算法，并提供了完整的桌面物体提取实战案例。

2025-05-25 11:32:22 1795

原创【LOAM系列算法原理对比与分析】

本文对比了LOAM、A-LOAM、LeGO-LOAM和LIO-SAM四种SLAM算法在特征提取、位姿估计和优化框架等方面的原理差异。LOAM通过双特征分类和双线程架构实现实时性与精度的平衡；A-LOAM在LOAM基础上进行了工程化优化；LeGO-LOAM引入地面分割和轻量化设计，适用于资源受限场景；LIO-SAM则采用紧耦合多传感器因子图优化，提升了复杂环境下的鲁棒定位能力。这些算法的演进反映了SLAM技术从单一传感器到多传感器融合、从独立处理到紧耦合优化、从纯几何方法到语义辅助的发展趋势。理解这些差异有助

2025-05-23 09:38:45 1409

原创【LIO-SAM 技术深度解析：原理、实现与部署全指南】

LIO-SAM是一种紧耦合的激光-惯性里程计框架，其核心创新在于多因子约束的图优化模型，通过IMU、激光雷达和GPS等传感器的数据融合，实现高精度的定位与建图。系统采用增量平滑和建图（iSAM2）算法进行优化，通过IMU预积分和激光特征提取等前端处理，结合因子图更新和边缘化处理，有效控制误差累积。LIO-SAM在IMU预积分和激光雷达处理方面进行了多项改进，如偏置自适应估计、协方差传播、自适应曲率阈值和多尺度特征提取等，显著提升了系统性能。部署LIO-SAM需要配置ROS Melodic环境，并安装GTSA

2025-05-22 11:43:44 3286

原创【从LOAM到LeGO-LOAM：我的激光SLAM进阶之路】

LeGO-LOAM作为LOAM的轻量化改进版本，在SLAM领域展现了显著的性能提升。本文分享了学习LeGO-LOAM的心得，并对比了LOAM、A-LOAM和LeGO-LOAM的异同。LeGO-LOAM通过地面分割优化、两步优化策略、点云聚类与筛选以及回环检测集成等核心改进，显著降低了内存占用和计算量，提升了特征提取效率和轨迹精度。具体改进包括：地面分割减少处理点数，两步优化提高数值稳定性，点云聚类提升特征匹配准确率，回环检测减少累积误差。工程实践中，参数调优如地面分割阈值和特征点数量的设置对性能有重要影响。

2025-05-21 11:38:56 1416

原创【LOAM与A-LOAM学习笔记：从原理理解到面试准备】

文章主要介绍了激光SLAM中的两个重要算法：LOAM和A-LOAM。LOAM作为经典算法，通过特征提取、双线程架构和运动补偿实现了高效的激光SLAM。A-LOAM则在LOAM的基础上进行了代码结构优化、优化求解改进和畸变校正优化，提升了系统的可读性和运行效率。文章还分享了学习过程中的实践经验，如特征点数量的优化、环境适应性处理等，并整理了常见的面试问题及回答思路。最后，作者建议学习SLAM时应先理解整体框架，再通过实践和可视化分析深化理解，并计划进一步学习LeGO-LOAM。

2025-05-20 16:07:40 1773 2

原创 2D SLAM算法深度对比：Gmapping与Cartographer的工程实践指南

本文深入探讨了2D SLAM算法Gmapping和Cartographer的优化策略，重点分析了代码层面的改进。Gmapping通过并行化重采样和动态调整阈值，提升了计算效率并适应动态环境变化。Cartographer则通过引入动态分辨率子图和子图缓存机制，解决了内存消耗和计算量过大的问题。这些优化不仅展示了具体代码实现，还详细解释了设计原理和实现考量，为机器人自主导航领域的工程实践提供了有价值的参考。

2025-05-16 11:16:31 1251 1

weixin_47429781的博客