slam

论文Review 点云配准综述 | 西北工业大学 | 3D Registration in 30 Years: A Survey | (一) 帧间粗配准太长了有点，看完太累了。设计的文献有点忒多了，不所有都贴上去了，就贴一些跟我方向相关的，还有我觉得比较重要的。其他的如果以后需要看了，再贴上去。

ros noetic使用pointcloud_to_laserscan 将2d激光雷达与深度摄像头数据融合配置文件src/wpb_home/wpb_home_tutorials/nav_depth/local_costmap_params.yaml

hello我是小菜鸡

关于第七章和第八章习题中算法改进的比较对于高博的《视觉SLAM十四讲》一书中习题所涉及的一些算法的优化与比较，我看到文中并没有太多的量化处理方法，但是又在习题里面有提到，所以在此单独写一个博客来量化比较一下各种算法所带来的性能。这是一篇比较随意的博文，想到哪就写到哪，有问题就尝试然后观测实验结果。

四元数 (Quaternion)动力学左乘/右乘约定下之误差态 EKF 的连续线性化与离散化传播示例（11）相关内容:四元数 (Quaternion)微分-从惯性系角速度推导四元数导数的矩阵表示（9）四元数采用 scalar-first: q = [ w , x , y , z ] T q=[w,x,y,z]^T q=[w,x,y,z]T.

LVI-SAM中激光点云辅助视觉特征点获取深度LVI-SAM的VIS提取视觉特征点，得到特征点的归一化平面坐标（归一化平面位于相机光心前方Z=1处）。接下来将视觉特征点的归一化平面坐标投影到单位球上，也就是对归一化平面坐标再进行一次归一化，使坐标向量模长为1，得到的单位向量仅代表特征点相对于相机光心的方向：

FAST-LIO 部署（二）——脚本解析和ROS2升级FAST-LIO 在宇树 G1 上部署可以分为两种方法：1. 源码部署2. docker 部署由于 FAST-LIO 使用环境为 ubuntu 20.04 + ROS1，而 G1 通用环境为 ubuntu 22.04 + ROS2，所以使用第二种方法可以直接上手，但是考虑到后续源码升级，选择第一种思路的升级版本

Lightning-LM（ROS1 版）SLAM/定位简介与上手指南本文面向使用 Velodyne 等多线雷达的在线建图与定位（SLAM/Localization）场景，介绍 Lightning-LM 的主要功能与优势，并给出在 ROS1 下的快速使用方法与关键参数说明。文末注明原始项目与作者信息，本仓库在其基础上完成了 ROS1 改造与适配。

宇树 G1 部署（十三）——本体部署 SLAM 导航考虑到宇树自身带了一块ARM开发板，因此导航可以分为两种思路：1. 额外上位机远程部署通过无线发送位姿，主要难点在于通讯频率

【视觉SLAM十四讲】后端 2BA 的理想情况是将所有时刻的所有相机和路径点都放进 H H H 矩阵优化，但是随着时间的推移将产生大量数据，这将严重影响实时性乃至超出计算机的处理能力为了解决此问题，有两种较为常见的方法

基于ROS2与EKF的四轮差速机器人里程计精度优化：解决建图漂移与重影问题在移动机器人（特别是四轮差速/滑移转向机器人 Skid-Steer）的建图过程中，单纯依赖编码器会导致严重的航向角漂移，而单纯依赖IMU角速度积分又面临零偏累积问题。本文介绍了一种基于扩展卡尔曼滤波（EKF）的融合方案。通过引入IMU绝对航向角观测、滑移系数校正以及速度低通滤波，成功解决了 Gmapping/Cartographer 建图时的“地图模糊”和“转向不足”问题。

点云配准算法之-Voxelized GICP（VGICP）算法Voxelized GICP（VGICP）是对经典 GICP（Generalized ICP）的改进：不再对每个点做昂贵的最近邻查找，而是在体素（voxel）层上进行“分布到分布”（distribution-to-distribution）的配准。论文算法通过对点云进行体素化、在每个体素上汇总统计量（均值与协方差），把 GICP 的点级 d2d（distribution-to-distribution）思想推广到体素级，从而大幅降低对应搜索复杂度并便于并行实现（CPU 多线程 / GPU）。作者在论文

四元数 (Quaternion)微分-单位四元数 q(t) 的导数详细推导（10）上一节相关内容：四元数 (Quaternion)微分-从惯性系角速度推导四元数导数的矩阵表示（9）四元数写作 q = ( q 0 , q ) q = (q_0, \mathbf{q}) q=(q0,q)，其中 q 0 q_0 q0 为实部（scalar）， q = [ q 1 , q 2 , q 3 ] ⊤ \mathbf{q}=[q_1,q_2,q_3]^\top q=[q1,q2,q3]⊤ 为虚部（vector）。我们把四元数视为列向量 q = [ q 0 q ] . q = \begin{bmatr

ROS2——基础6（TF2机器人坐标系管理器、Gazebo）目录1 TF2简介2 TF命令行测试3 静态TF广播4 TF监听机器人系统中有很多坐标系，机器人中心点设为基坐标系base link、雷达所在位置为雷达坐标系laser link、机器人移动里程计累积位置的参考系称为里程计坐标系odom link、里程计有累积误差和飘逸又有绝对位置参考系/地图坐标系map link。TF2在ROS中用于管理机器人的坐标系。

图论中邻接矩阵和邻接表详解一个图 ( G = (V, E) ) 包含：分为：邻接矩阵 (A) 对于有 (n) 个顶点的图是一个 (n\times n) 的二维数组。常见变体：

使用自定义路径规划算法和控制算法实现机器人导航（算法验证）在机器人导航中,规划器负责根据地图生成一条可行的路径,而控制器则根据路径控制机器人运动到目标位置。很多同学在研究机器人路径规划算法和控制算法时,往往需要结合机器人来进行算法的验证,Navigation 2 导航框架通过ROS 2强大的插件机制,可以将你编写的路径规划算法和控制算法加载到导航系统中进行调用。

四元数 (Quaternion)微分-四元数导数的矩阵表示推导（8）连续时间单位四元数 q(t)q(t)q(t) 的导数为：q˙=12 q⊗(0,ω). \dot q = \tfrac{1}{2}\, q \otimes (0,\boldsymbol{\omega}). q˙=21q⊗(0,ω).

机器人自主导航方案概述REF：建筑机器人自主导航关键技术研究进展及展望环境地图分为先天和后天环境信息模型，其中先天环境信息模型可提前输入至建筑机器人系统，后天环境信息模型需要机器人运动过程中感知环境获取

一款基于鲁班猫和STM32的自主导航实践REF：基于多传感器融合的救援机器人SLAM地图重建与路径规划研究硬件软件ORB-SLAM2 建图算法

第七篇：深度学习SLAM——端到端的革命－－从深度特征到神经辐射场的建图新范式1.1 传统SLAM的局限性1.2 深度学习SLAM分类1.3 监督与自监督学习· 监督学习：· 自监督学习：

【视频生成】GVS：生成式视图拼接标题：GENERATIVE VIEW STITCHING 来源：MIT CSAIL ；RunwayML 项目：https://andrewsonga.github.io/gvs