slam

详解SLAM中的李群和李代数（中）在上一篇文章《详解SLAM中的李群和李代数（上）》中，我们已经通过对李群求导引出了李代数。在这篇文章中，我们就系统总结一下李代数的相关知识。

3DGS-slam:splatam公式配套讲解视频：https://www.bilibili.com/video/BV1ZgfBYdEpg/?spm_id_from=333.1387.homepage.video_card.click&vd_source=d4c3e747c32049ddd90dcce17208f4e0

详解SLAM中的李群和李代数（上）最近阅读高翔大神的《视觉SLAM十四讲》这本书，感觉整本书写的非常的平实，用非常接地气的语言毫无保留的介绍了视觉SLAM的相关知识，非常值得一读。不过，在第4章出现的李群和李代数的相关概念就有点令人难以费解了。其实这段不是这本书的作者故意写的晦涩难懂，而是这部分知识属于数学或者物理专业才会学习的知识，普通的理工科专业的读者没有接触过这方面的知识。笔者也是在这个地方卡了壳，因此在本文中将李群和李代数相关的知识总结一下。

遥感摆烂人

松灵机器人scout mini 自主导航(5)——采用 LIO-SAM +CMU exploration重操旧业，最近实验室又需要测试无人车导航算法，因此又重新启动了松灵机器人scout mini小车自主导航项目。通过调研，最终选择了前几年比较火的CMU团队的策略(https://www.cmu-exploration.com/)。

卡尔曼滤波算法（Kalman Filter, KF）深入推导卡尔曼滤波是一种基于贝叶斯估计和最小均方误差（MMSE）的最优状态估计算法。它适用于线性高斯系统，其核心思想是对状态进行递归估计，在预测和测量之间动态调整，最小化估计误差。

SLAM文献之-DROID-SLAM: Deep Visual SLAM for Monocular, Stereo, and RGB-D CamerasDROID-SLAM 是一种结合深度学习与传统视觉SLAM技术的先进算法，其核心目标是通过端到端可训练的深度神经网络来实现高精度的相机位姿估计和稠密三维重建。与传统SLAM方法不同，DROID-SLAM采用深度学习网络来估计深度信息，提供更高的精度与鲁棒性，尤其是在动态、低纹理或不规则场景中。

如何使用3D高斯分布进行环境建模使用3D高斯分布来实现建模，主要是通过高斯分布的概率特性来描述空间中每个点的几何位置和不确定性。具体来说，3D高斯分布被用来表示点云数据中的每一个点或体素（voxel）的空间分布和不确定性，而不是单纯地存储每个点的坐标。以下是如何使用3D高斯分布来进行建模的几个关键步骤：

无人机避障——感知篇（采用Livox-Mid360激光雷达获取点云数据显示）电脑配置：Xavier-nx、ubuntu 18.04、ros melodic激光雷达：Livox_Mid-360

知也无涯12345

机器学习大模型问题记录多分类 x有且仅有一个类别，输出y为属于类别的概率，最终类别为 y i y_i yi最大的类别，特点为 y i y_i yi互斥，且包含所有情况。输出通常使用softmax，使 y i y_i yi具有上述特点。多标签输出 y i y_i yi各个类别之间有重合部分，且x可能同时属于多个类别， 1 > = y i > = 0 1>=y_i>=0 1>=yi>=0,此时最后一层通常使用sigmoid函数。

亚博microros小车-原生ubuntu支持系列：17 gmapping先看下亚博官网的介绍gmapping只适用于单帧二维激光点数小于1440的点，如果单帧激光点数大于1440，那么就会出【[mapping-4] process has died】这样的问题。

顶刊JFR｜ROLO-SLAM：首个针对不平坦路面的车载Lidar SLAM系统摘要基于激光雷达（LiDAR）的同步定位与地图构建（SLAM）被认为是在恶劣环境中提供定位指导的一种有效方法。然而，现成的基于激光雷达的SLAM方法在经过不平坦地形时，尤其是在垂直方向相关的部分，会出现显著的姿态估计漂移。这种缺陷通常会导致全局地图明显扭曲。在本文中，提出了一种基于激光雷达的SLAM方法，以提高地面车辆在恶劣地形中的姿态估计精度，该方法被称为旋转优化激光雷达仅（ROLO）SLAM。该方法利用前向位置预测粗略地消除连续扫描之间的位置差异，从而能够在前端分别且准确地确定位置和方向。此外，本文

ROS2测试仿真电脑配置：R7-7840H 核显结论：turtlebot3 运行失败。 turtlebot4 可以进入仿真环境，但是无法操作。现在在用 ign gazebo 驱动简单的差分机器人

CVPR 2024 自动驾驶方向总汇

什么都不会的小澎友

相机雷达外参标定综述“Automatic targetless LiDAR–camera calibration: a survey“毕设的工作和相机雷达外参标定其实有些关联，加上在秋招面试的时候其实也被问到了很多次相机-雷达外参标定的内容，所以这里找了一篇时间比较近的综述文章，来对相机雷达标定的各种方法来进行一个了解。本文没有对文章进行完全的翻译，而是对一些内容进行了自己的理解和翻译，如有错误烦请指出

nevergiveup_2024

ORB-SLAM2 ---- 非线性优化在SLAM中的应用（一）相信大家在学习一段时间SLAM后，会发现两个问题。第一个是代码能看懂，但是不知道为什么这样做（特别是优化部分）。第二个问题就是数学问题，SLAM最难最迷人的部分在于它很多原理归结到了数学问题上。在看优化的时候，因为g2o库的原因，很多数学公式的内在逻辑没有在代码中展现出来，这几篇文章将从最开始的运动模型和观测模型，一步步的推导到优化中用到的列文伯格-马夸尔方法。将非线性优化放在这里将是因为大家已经有了一定的基础，理解起来会更加的容易。

智驾机器人技术前线

近期两篇NeRF/3DGS-based SLAM方案赏析：TS-SLAM and MBA-SLAM原文链接：近期两篇NeRF/3DGS-based SLAM方案赏析：TS-SLAM and MBA-SLAM

【视觉SLAM】2-三维空间刚体运动的数学表示读书笔记：学习空间变换的三种数学表达形式。对于三维空间中的两个向量 a , b ∈ R 3 a,b \in \R^3 a,b∈R3，其内积可描述向量间的投影关系， c o s < a , b > cos<a,b> cos<a,b>表示两向量的夹角：

【视觉SLAM】4b-特征点法估计相机运动之PnP 3D-2D透视n点（Perspective-n-Point，PnP）问题是计算机视觉领域的经典问题，用于求解3D-2D的点运动。换句话说，当知道 N N N个世界坐标系中3D空间点的坐标以及它们在图像上的投影点像素坐标时，可以使用PnP算法来估计相机在世界坐标系的姿态。P3P是最简化的PnP形式，即最少只需3个点即可估计当前的相机姿态（解不唯一）。

RA-L开源：Light-LOAM: 基于图匹配的轻量级激光雷达里程计和地图构建代码：github 原文：原文将SLAM应用于机器人应用中，可靠性和效率是两个最受重视的特性。本文考虑在计算能力有限的平台上实现可靠的基于激光雷达的SLAM功能。首先与大多数选择点云配准的显著特征的方法相反，我们提出了一种非显著特征选择策略，以提高可靠性和鲁棒性。然后使用两阶段对应选择方法来配准点云，其中包括基于KD树的粗匹配，然后是一种基于图的匹配方法，它使用几何一致性来排除不正确的对应关系。此外提出了一种里程计方法，其中权重优化是由前述的几何一致性图的投票结果引导的。通过这种方式，激光雷达里程计的优化

DPGO:异步和并行分布式位姿图优化 2020 RA-L best paper代码：github 原文：原文摘要—我们提出了异步随机并行位姿图优化（ASAPP），这是首个用于多机器人同时定位与建图（SLAM）中分布式位姿图优化（PGO）的异步算法。通过使机器人能够在无需同步的情况下优化其局部轨迹估计，ASAPP提供了对通信延迟的韧性，并减轻了在网络中等待落后的机器人的需求。此外，ASAPP 可应用于 PGO 的秩约束松弛，这是一个重要的非凸黎曼优化问题类别，支持最近在全局最优 PGO 方面的突破。在有限延迟的情况下，我们通过选择足够小的步长，证明了 ASAPP 的全局一阶收敛性。