slam

AGV算法笔记

CVPR 2025顶级SLAM论文精读：MASt3R-SLAM如何用单目相机实现实时稠密三维重建？SLAM 单目视觉三维重建机器人视觉 MASt3R-SLAM CVPR2025 稠密建图最近几年，SLAM 领域正在发生一个明显变化：过去大家更多关注特征点、光流、BA优化、回环检测；现在越来越多工作开始把三维重建大模型、视觉基础模型、稠密几何先验引入 SLAM 系统。

SLAM 开源算法汇总（支持ROS2）Oepn-source SLAM-related project supporting ROS 2本文还在汇总中，欢迎提供更多链接，我会及时更新

智影R200手持SLAM使用教程八：3DGS数据采集规范采集前用干净的软布擦拭镜头，确保镜头无污渍、视野清晰。①室内环境，尽量保证光照充足且均匀，避免明暗反差过大；

无人机避障——MID360+FasterLIO+EGO-planner实测问题解决前期复现FastDrone，先跑通FastDrone自带的仿真，但尚未与飞控集成，然后就搭建了纯软件仿真（稍后补上参考文档），采用双目VINS做定位，仿真的效果非常好，使用Intel Realsense相机+Nvidia Jeston板子+四轴搭建真机（稍后补上），办公室照明不错，测试VINS偶尔会发散，轨迹是锯齿状的，换大场地测试，光照条件变差，VINS轨迹总是发散，想办法增加了光源，结果EGO-planner自动执行了短短几十秒就由于定位漂移致炸鸡——无人机撞到障碍物坠落。最近拜访了高飞老师的无人机公

robot_localization实现imu和odom融合记录使用robot_localization进行融合下载地址：git clone https://gitee.com/bingshuibuliang/robot_localization.git

智影R200手持slam使用教程二：开始与结束采集（1）设备开机：长按开机键4秒，指示灯由蓝灯慢闪变为绿灯常亮、雷达转动，设备进入待机状态。（2）开始采集：打开APP连接设备，连接成功后在APP中点击GO按钮，输入项目名称，点击红色启动按钮，雷达开始转动，设备开始初始化，初始化期间（约30秒）需保持设备静置在平整地面，当设备指示灯转为绿灯慢闪，则初始化完成，APP中提升可以开始采集并同时显示点云。

室内定位技术方法汇总：从WiFi到超声波，机器人如何在室内“找准自己”？在室外，我们有GPS和北斗，打开手机就知道自己在哪。可一旦走进室内——商场、地下车库、工厂车间——卫星信号就“失联”了。于是，各种室内定位技术应运而生。它们有的靠无线电波，有的靠地磁场，有的靠声音，有的靠光。这些技术各有所长，也各有局限。

为什么边缘化先验的Hessian矩阵可分解得到Jacobian矩阵？关于边缘化原理的详述可以看这篇笔记：滑动窗口与边缘化。如上图，激光里程计因子（绿色）和imu积分因子（红色）同时约束相邻的节点。若要删除第0帧，就需要通过“边缘化”的操作把旧帧的约束传递下来，作为一个“边缘化先验因子”继续参与优化，约束窗口中剩余的所有与被边缘化变量曾有共同约束的状态变量。如下图所示：

amcl_pose vs tf的位姿输出频率定位信息的实时性与准确性两者不可缺一，为何自己的机器人运行时会出现卡顿、响应迟缓的问题？经过检查后才发现，/amcl_pose话题的更新频率极低，有时甚至每隔数秒才更新一次，本文将深入探讨AMCL与ROS变换框架的核心机制，并对通过amcl_pose话题与通过map->base_link的tf变换这两种方式获取位姿的本质区别、适用范围及性能表现进行对比分析。

巷尚UP3D-三维扫描检测逆向建模

Artec Jet：高精度测绘级SLAM激光扫描仪，自主高效【巷尚UP3D】Artec 3D于2026年4月正式发布Artec Jet，这是一款基于SLAM技术的高精度移动激光雷达系统，专为大范围三维数据采集而设计。

LIO-SAM Scan-to-Map退化检测LIO-SAM中scan2map优化问题的求解具体由LMOptimization函数实现。该函数在一个scan2map的配准中会被循环调用多次（最多30次）。它的目标是求解出一个微小的 6-DOF 位姿增量，即 matX，使得当前帧的点云投影到局部地图后，点到线、点到面的距离残差平方和最小。该函数内容如下：

LIO-SAM系统架构目录1.系统架构2.点云预处理节点 /lio_sam_imageProjection2.1 缓存与格式校验 cachePointCloud

滑动窗口模型与边缘化目录1.边缘化的需求来源2.图优化模型3.边缘化实现原理4.一个滑动窗口模型实例4.1 将节点与约束保存到队列

IMU预积分-旋转残差求雅可比目录1. 残差定义2. 雅可比推导3. 右乘BCH近似雅可比的逆的实现根据IMU预积分（VINS）中的推导，帧间imu积分项的残差定义如下：

Faster-LIO论文与代码笔记（1）相比Fast-LIO2方案，精度相当，同时算法效率更高。高翔：“本文要谈的Faster-LIO是基于FastLIO2开发的。FastLIO2是开源LIO中比较优秀的一个，前端用了增量的kdtree（ikd-tree），后端用了迭代ESKF（IEKF），流程短，计算快。Faster-LIO则把ikd-tree替换成了iVox（后文介绍），顺带优化了一些代码逻辑，实现了更快的LIO。我们在典型的32线激光雷达中可以取得100-200Hz左右的计算频率，在固态雷达中甚至可以达到1000-2000Hz，能够达到

IMU预积分（VINS）目录1.为什么需要预积分2.预积分理论2.1 预积分模型2.2 预积分在优化中的使用2.2.1 残差设计

贝叶斯滤波与卡尔曼滤波「贝叶斯滤波用似然 × 先验求最大后验（MAP）」，和「卡尔曼滤波用联合高斯分布求条件后验」，不是两种不同的估计思路，而是线性高斯假设下，同一个贝叶斯推断的两种等价实现方式。

FAST-LIO2 + 蓝海M300激光雷达：从建图到实时栅格图的完整流程本文将系统介绍如何将蓝海光电LDS-M300激光雷达与FAST-LIO2算法相结合，实现高精度3D建图，并借助octomap_server功能包在线实时将3D点云转换为2D栅格地图。

【SLAM】Map Folding在 SLAM（Simultaneous Localization and Mapping，同时定位与建图）中，“叠图现象”（也称为“重影”、“地图重叠”、“ghosting” 或 “map folding”）是指环境中的同一物理区域在构建的地图中被错误地表示为多个不重合或部分重叠的副本。这会导致地图出现“重影”、结构错乱、走廊分叉、墙壁重复等明显失真。

综合强度信息的激光雷达去拖尾算法解析和源码实现本文主要介绍基于几何特征与信号强度的去拖尾算法，和程序实现。拖尾是指当激光束照射到高反射率物体（如反光条、玻璃、镜子、路面标志等）时，在真实目标后方沿激光扫描方向出现一连串虚假点云的现象。这些虚假点通常呈“拖尾”状延伸，严重时可达数米，会误判为障碍物或引起建图畸变。