3D激光SLAM:LeGO-LOAM论文解读---激光雷达里程计与建图
3D激光SLAM:LeGO-LOAM论文解读---激光雷达里程计与建图
- 激光雷达里程计
- 针对LOAM的改进
- 激光雷达建图
- 原文
激光雷达里程计
激光雷达里程计模块的功能就是:估计相邻帧之间的位姿变换。
估计的方式:在相邻帧之间做点到线的约束和点到面的约束
具体的方式和LOAM一样
针对LOAM的改进
1 基于标签的匹配
在特征提取部分提取的特征点都会有个标签(在点云分割时分配的)
因此在找对应点时,标签必须一致
对于面点仅在上一帧中找地面点与之匹配
对于角点在上一帧对于的标签中找对应得角点
这种特征点匹配得方式会提高匹配精度2 两步LM优化
首先做地面点得优化,再做角点得优化。该方法实现了相邻帧间得位姿估计
具体两步LM优化方法如下:
(1)第一步通过当前帧地面点和上一帧匹配得地面点估计出 z roll pitch
(2)第二步通过当前帧角点和上一帧匹配得角点估计出 x y yaw,并利用第一步估计得 z roll pitch
虽然在第一步就可以估计出x y yaw,但是其精度步高,不能用于第二步得估计
最后把两步估计得结果加起来,就是6自由度得位姿变换结果
优化方法意义:通过这种方式得优化,计算时间相比于原始LOAM可以减少35%。
激光雷达建图
原理和LOAM一样:当前帧和地图进行低频率得配准,得到最优得当前帧位姿变换
和原始LOAM不一样地方: 地图得存储。
LOAM是通过一个栅格地图进行局部地图得管理。
LeGO-LOAM是通过关键帧得概念进行局部地图管理,保存了激光雷达一些帧,和该帧的位姿。
局部地图建立就是通过根据当前帧的位置,提取与当前帧位置小于100m的关键帧拼接(根据每帧的位姿拼接)在一起作为局部地图
进行回环检测集成位姿图优化:
最后将SLAM里面的位姿图优化集成到了LeGO-LOAM中
- 回环检测的方法:就是通过检测历史帧的位姿和当前帧的位姿比较接近,则认为形成一个回环。(因为激光雷达里程计在短时间内的漂移比较小)
- 优化的方法就是通过ICP计算历史帧和当前帧的位姿变换,然后通过LM的优化方法就行 GT-SAM的位姿图优化。
原文
3D激光SLAM:LeGO-LOAM论文解读---激光雷达里程计与建图相关推荐
- F-LOAM:基于激光雷达的快速里程计和建图
文章:F-LOAM : Fast LiDAR Odometry and Mapping 作者:Han Wang, Chen Wang, Chun-Lin Chen, and Lihua Xie git ...
- LiLi-OM: 走向高性能固态激光雷达惯性里程计和建图系统
点击上方"计算机视觉工坊",选择"星标" 干货第一时间送达 编辑丨当SLAM遇见小王同学 声明: 本文只是个人学习记录,侵权可删.论文版权与著作权等全归原作者所 ...
- LOAM:实时的雷达里程计和建图
之前对视觉SLAM主要的开源框架,ORB-SLAM2.SVO等进行了介绍,然后疫情期间对VINS-Mono进行了详细的源码解析,接下来考虑到工作原因需要用到激光雷达.GNSS.IMU等多传感器融合,所 ...
- 面向固态激光雷达和惯导的里程计和建图
点云PCL免费知识星球,点云论文速读. 文章:Towards High-Performance Solid-State-LiDAR-Inertial Odometry and Mapping 作者:K ...
- 东北大学 | 一种适用于大规模公路环境的鲁棒激光惯性里程计和建图系统
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 标题: A Robust Laser-Inertial Odometry and Mapping Me ...
- LIOM: 一种新的激光惯性里程计和建图方法
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 作者:robot L | 来源:知乎 https://zhuanlan.zhihu.com/p/137 ...
- RIKIBOT-FX4纯激光里程计的建图导航
目录 简介 环境准备 纯激光里程计构建地图 纯激光里程计导航 关键参数配置 交流方式 简介 在大多数学习ROS人的理解中,常用的gmapping建图.导航一般都需要依赖电机的里程计,特别是导航时一定需 ...
- (每日一读2019.10.23)低漂移、鲁棒和快速的视觉-激光里程计和建图(VLoam)
参考:https://www.jianshu.com/p/cb7098567711 论文:pdf 摘要 本文开发了一个低成本的立体视觉惯性定位系统,该系统利用有效的基于多状态约束卡尔曼滤波(MSCKF ...
- (每日一读2019.10.21)紧耦合的3D雷达惯性里程计及建图(LIO)
论文:pdf 代码:github 视频:video 摘要 自身运动估计是大部分移动机器人应用的基本需求.通过传感器融合,我们能够补偿单个传感器的缺陷并且提供更可靠的估计.在本文中,我们引入一种紧耦合的 ...
最新文章
- TripleDES加密解密
- mdf与ldf文件如何还原到SQLserver数据库
- Python 字符串转义序列及格式化
- cmd静默运行_【已解决】BAT批处理中如何静默执行,在完成后调用MSGBOX?
- dom4j的读写xml文件,读写xml字符串
- 信息系统项目管理07——项目成本管理
- WireShark帧格式解析
- rdkit GetAtoms获取化合物每个位置的索引;rdkit FindMCS大公共相同结构 找不同化合物之间的差异
- Kafka 安装配置及下载地址
- 4月30日世界表白日_2020520世界表白日 你该怎么表白
- Intel SGX开发者参考书(五)—— Intel SGX SDK示例代码(二)
- python词性标注_自然语言处理基础技术之词性标注
- mapreduce流量统计与自定义分区算法:手机号码按归属地输出
- 德普测试仪EOL软件,电池充放电测试系统 EOL
- 论文阅读——TR-GAN: Topology Ranking GAN with Triplet Loss for Retinal Artery/Vein Classification
- 低版本360浏览器下,PDF.js部分文字显示不全的问题
- 内置函数2 递归函数
- mybatis实现动态模糊查询
- CSS学习笔记--文本格式化
- 关于建模---耦合度
热门文章
- Error Domain=NSCocoaErrorDomain Code=3840 The operation couldn’t be completed. (Cocoa error 3840.)
- 信息量、信息熵、条件熵、KL散度、交叉熵
- 「String用法总结」
- UDF函数开发中的坑
- 灰色关联分析法无量纲处理方法
- python获取当前日期的前一天_【python】datetime获取日期,前一天日期
- 毕业答辩的一系列准备工作
- RAM、SRAM、DRAM、SDRAM、DDRSDRAM等之间的区别
- C++ 对OPENCV rect矩形进行颜色填充
- kubectl源码分析之config delete-context