slam

ROS开发实战：如何用rviz文件保存和加载你的SLAM可视化配置（附避坑指南）在SLAM（即时定位与地图构建）项目的开发流程中，可视化调试占据了工程师近一半的工作时间。一个精心调整好的rviz界面，包含了恰到好处的相机位姿轨迹、点云地图、栅格占据信息以及各种传感器数据，它不仅是项目进度的展示窗口，更是算法调试的“眼睛”。然而，很多开发者，包括我自己，都曾经历过这样的窘境：在实验室工作站上花了几个小时才调好的rviz视图，换到机器人实车上或者分享给团队成员时，一切又得从头再来——手动添加每一个显示项，调整视角，设置颜色和尺寸。这种重复劳动不仅低效，更可能因为细微的配置差异导致调试结论

DailyCoding C++ | SLAM里的“幽灵数据”：从一个未初始化的四元数谈C++类设计在开发 LiDAR SLAM 系统时，因为 PoseT 类的一个构造函数疏忽，导致里程计（Odometry）输出出现了极其诡异的 e-310 量级数值。本文将复现这个由“数据冗余”引发的 Bug，探讨 C++ 中“单一数据源”的重要性，并深入剖析拷贝构造函数在 Eigen 类型成员中的正确用法。

大江东去浪淘尽千古风流人物

【SLAM】Hydra-Foundations 层次化空间感知：机器人如何像人类一样理解3D环境Foundations of Spatial Perception for Robotics: Hierarchical Representations and Real-Time Systems

大江东去浪淘尽千古风流人物

【pySLAM】pySLAM论文标题：pySLAM: An Open-Source, Modular, and Extensible Framework for SLAM（arXiv:2502.11955）

大江东去浪淘尽千古风流人物

【VLN】VLN Paradigm Alg：模仿学习及其细节（3）极简一句话总结 Auxiliary Loss = 训练时的 “额外小老师”，用额外监督信号帮模型学得更好、更稳，推理时直接下课，不影响最终模型。

大江东去浪淘尽千古风流人物

【VLN】VLN仿真与训练三要素 Dataset，Simulators，Benchmarks（2）A navigation benchmark = scene dataset + simulator + task dataset 简单说就是集成了算法仿真器和仿真任务评估的方式 R2R（Room-to-Room）是视觉语言导航（VLN）领域首个、也是最经典的基准测试集，由场景数据集、仿真器、任务与评估体系构成，核心是让智能体在真实室内 3D 环境中，依据自然语言指令完成跨房间导航。

大江东去浪淘尽千古风流人物

【SLAM新范式】几何主导=》几何+学习+语义+高效表示的融合近年来，SLAM（Simultaneous Localization and Mapping）研究正经历一场深刻的范式变革。传统以“几何主导”的方法逐渐被一种更智能、更鲁棒、更具泛化能力的「几何 + 学习 + 语义 + 高效表示」融合架构所取代。这一趋势不仅体现在算法设计上，也反映在系统部署、多模态感知与大模型赋能等多个层面。

视觉SLAM十四讲合集本来应该还有一篇 orb-slam 的解读的，要弃坑了就先放弃了，前面大部分的内容也写得七七八八了，此文章用于汇总

slam十四讲第五章习题：相机内参变化与SLAM快门选择答：相机内参是描述相机内部光学特性和成像几何关系的一组核心参数，它们建立了从三维相机坐标系到二维像素坐标系的映射关系。下面这个表格汇总了各关键内参的物理意义。

【声呐图像处理】水下前视声呐（FLS）图像拼接与建图全流程解析摘要：在浑浊的水下环境中，光学摄像头的可视范围极其有限，而前视声呐（Forward-Looking Sonar, FLS）凭借其不受光照影响的声学成像特性，成为了水下感知的核心传感器。本文将深入剖析一套完整的前视声呐图像拼接技术方案，从声呐成像机理、抗噪鲁棒的频域配准算法，到基于图优化的全局一致性校正，带你一探水下声学地图构建的硬核技术。

点云数据分割算法之-聚合层次聚类（AHC）平面识别算法原文：Fast Plane Extraction in Organized Point Clouds Using Agglomerative Hierarchical Clustering

MAP（最大后验）估计理论（2）以及相关应用相关内容： 1、MAP（最大后验）估计理论（1）以及相关应用假设观测模型：y = h ( x ) + v , v ∼ N ( 0 , R ) \mathbf{y} = h(\mathbf{x}) + \mathbf{v}, \quad \mathbf{v} \sim \mathcal{N}(0, R) y=h(x)+v,v∼N(0,R)

SLAM文献之-A Quick Guide for the Iterated Extended Kalman Filter on Manifolds相关内容：相关内容地址： 1、SLAM文献之A micro Lie theory for state estimation in robotic（1） 2、SLAM文献之A micro Lie theory for state estimation in robotic（2） 3、SLAM文献之A micro Lie theory for state estimation in robotic（3） 4、SLAM文献之A micro Lie theory for state estimation in

Ubuntu 20.04使用MB-System分析与可视化EM3000数据https://github.com/dwcaress/MB-Systemhttps://www.mbari.org/technology/mb-system/installation/

C++ 静态初始化顺序问题（SIOF）和SLAM / ROS 工程实战问题静态对象指：问题本质：不同编译单元（.cpp 文件）中的静态对象，其初始化顺序是未定义的如果一个静态对象在初始化时依赖另一个尚未初始化的静态对象，就会产生未定义行为（UB）。

激光SLAM 回环检测---STD(A Stable Triangle Descriptor for 3D place recognition)前言：之前使用基于scan context方法实现重定位；但是在高动态场景，仍需要手动重定位。本文提出了一种新的三维位置识别全局描述子——稳定三角形描述子（Stable Triangle Descriptor，STD）。对于任意一个三角形，其形状可由边长或内角唯一确定，并且三角形的形状在刚体变换下保持完全不变。基于这一特性，本文首先设计了一种高效的三维点云局部关键点提取方法，并将这些关键点编码为三角形描述子。随后，通过匹配不同点云中三角形描述子的边长（及其他辅助信息）实现位置识别。由描述子匹配得到的点对应

凸优化（Convex Optimization）理论（1）一般的优化问题可以写成：min⁡x∈Df(x) \min_{x \in \mathcal{D}} f(x) x∈Dminf(x)

凸优化（Convex Optimization）理论（2）相关内容：凸优化（Convex Optimization）理论（1）这一节的核心目标总结如下：什么样的优化问题，能够被“可靠、稳定、全局最优”地求解

SLAM进阶——数据集目录1 寻找目标领域数据集并下载2 数据集处理及运行2.1 单目2.2.1 图片2.2.2 时间戳2.2.3 相机参数yaml编写

SLAM进阶——特征提取目录1 现状2 ORB算法2.1 原理2.2 算法2.2.1 FeatureExtraction.hpp