2Dslam前端分类

文章目录

扫描匹配

  • Scan-to-Scan(扫描到扫描)匹配

    扫描到扫描匹配是最基本的扫描匹配方法,通过比较当前扫描数据与上一扫描数据之间的差异来估计机器人的位姿变化。常见的算法包括迭代最近点算法(ICP, Iterative Closest Point)和PL-ICP(Point-to-Line ICP),其中ICP适用于点云数据的精确匹配,而PL-ICP则更适合处理线性特征较多的场景。

  • Scan-to-Map(扫描到地图)匹配。

    扫描到地图匹配是另一种常用方法,通过将当前扫描数据与已构建的地图进行比较来估计位姿。这种方法可以有效限制累积误差,避免局部极值问题。例如,Cartographer算法采用CSM(Correlation Scan Matching)结合梯度优化技术,通过暴力搜索找到最优解。

ICP

ICP通过迭代优化两个点云之间的相对位姿,以实现精确的匹配和定位。

核心思想

通过最小化两个点云之间的距离来估计它们之间的变换矩阵(包括旋转和平移)。

具体流程:
  1. 初始化:选择一个初始的位姿估计(通常为零变换)。
  2. 最近邻匹配:在目标点云中找到与源点云最近的点对。
  3. 计算变换矩阵:基于匹配点对,计算旋转和平移矩阵,使得两个点云之间的距离最小化。
  4. 迭代优化:将新的变换矩阵应用到源点云,并重复步骤2和3,直到满足收敛条件(如误差阈值或最大迭代次数)。

似然场

似然场扫描匹配是一种用于通过激光雷达数据实现机器人位姿的估计和地图的构建。

核心思想:

利用概率模型来描述当前时刻激光雷达数据与地图之间的相似性,并通过优化过程找到最佳的位姿。

基本原理:

似然场扫描匹配方法基于概率模型,将激光雷达的扫描数据与地图中的栅格或点云进行比较,从而计算出当前位姿的可能性。

具体流程:
  1. 构建似然场:将地图划分为多个栅格或点云单元,每个单元代表一个可能的位置。对于每个单元,根据当前扫描数据与地图数据的匹配程度计算其概率值(如占据概率)。
  2. 扫描匹配:通过比较当前扫描数据与地图数据,计算当前位姿的似然值。例如,通过高斯牛顿法或Levenberg-Marquardt法优化位姿,使得似然值最大化。
  3. 更新位姿:根据优化结果更新机器人的位姿,并将新的位姿信息融入地图中
相关推荐
leobertlan3 分钟前
痛苦系列 | DSP-04 截断时空的“窗”:FIR 滤波器设计与线性相位
算法
GoldenSpider.AI1 小时前
讲透 Claude Code 的 Code Mode:原理、流程、用法与 24 轮实测
人工智能·ai编程·claude code
oak隔壁找我1 小时前
一款运行在 DSH(DeepSeek Harness)中的工作区文件管理插件
人工智能
秋天的怀念_David1 小时前
算法一千零一夜 · 第三十五夜 · 恢复风暴
java·程序人生·算法
江屿风1 小时前
AI Agent架构全解析:从规划到记忆的智能跃迁
人工智能·笔记·架构·agent·c/s·mcp工作流
ZONGYUAN-ROOT1 小时前
【API配额】多源 LLM API 配额池化实战:轮换调度、变化量监控、故障自愈一套方案(Python 完整实现)
人工智能
syso_稻草人1 小时前
qwen-image-2.1 高清放大拆解:Qwen21LatentUpscale 潜空间 2x + denoise 0.35 修细节,12 组场景实测
人工智能·stable diffusion·prompt·comfyui·qwen-image2.1
羲云网络2 小时前
GPT Image 2.6 动态表情怎么改:从情绪歧义到动作节奏验收
人工智能·gif·图像编辑
EatFan3 小时前
AI Agent 工程化元年:从单体智能到 Agent 集群的架构演进与落地路径
人工智能·架构·ai agent·autogen·crewai·agent集群·记忆工程