slam

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。

OAK中国_官方

OAK相机：纯视觉SLAM在夜晚的应用哈喽，OAK的朋友们，大家好啊，今天这个视频主要想分享一下袁博士团队用我们的OAK相机产出的新成果在去年过山车SLAM的演示中，袁博士团队就展示了纯视觉SLAM在完全黑暗的环境中的极高鲁棒性。现在袁博士团队进一步挖掘了纯视觉的潜力，于是又专门录了一段夜间的演示给我们展示了在完全黑暗及光线变化的环境中可靠工作的VIO、回环检测及适用于大场景的内存管理技术。

【计算机视觉】深入浅出SLAM技术原理SLAM（Simultaneous Localization and Mapping，同步定位与建图）是机器人学和计算机视觉中的一个重要技术，它允许机器人在未知环境中自主导航，同时构建环境的地图并确定自身的精确位置。本文将详细介绍SLAM技术的基本原理、关键技术挑战以及常见的SLAM算法，并提供多个Python代码示例，展示如何实现一个基本的视觉SLAM系统。

最新开源DCL-SLAM:一种用于机器人群体的分布式协作激光雷达 SLAM 框架代码：github 原文：原文为了在未知环境中执行协作任务，机器人群体需要建立一个全局参考框架，并在共享的环境理解中定位自身。然而，在现实世界中，这面临许多挑战，例如环境的先验信息缺失以及团队成员之间的通信不畅。本文提出了DCL-SLAM，这是一种与前端无关的完全分布式协作激光雷达（LiDAR）SLAM框架，可在信息交换量较低的情况下实现未知环境中的协同定位。基于点对点通信，DCL-SLAM采用轻量级的LiDAR-Iris描述子进行地点识别，不需要全队的完全连接。DCL-SLAM包含三个主要部分：可替换的

多机器人图优化：2024ICARA开源原文：原文代码：代码摘要—同时定位与地图构建（SLAM）是机器人领域中自主系统的关键任务。在多机器人系统中，去中心化方法因其无需中央基站并促进可扩展性而受到了广泛关注。本文提出了一种去中心化的多机器人图优化 SLAM 方法，称为 mrg slam，该方法利用了成熟的单机器人 SLAM 框架 hdl graph slam。在我们的方案中，每个机器人独立运行基于激光雷达（LIDAR）的图优化 SLAM 算法，实现了高效地探索未知环境。机器人可以交换独特的图节点和边，并将共享的信息纳入各自的 SLAM 解算中

Realsense相机驱动在使用imu数据时出现Qos问题Realsense相机驱动在使用imu数据时出现Qos问题，报错如下：对驱动源码https://github.com/IntelRealSense/realsense-ros/blob/ros2-development/realsense2_camera/src/rs_node_setup.cpp的以下位置进行修改：

1037号森林里一段干木头

相机外参与相机位姿深度理解外参矩阵通常表示为一个 3 × 4 3 \times 4 3×4 的矩阵，形式如下： [ R t ] \begin{bmatrix} R & t \end{bmatrix} [Rt] 其中：

高翔【自动驾驶与机器人中的SLAM技术】学习笔记（十二）拓展图优化库g2o（一）框架文章来源：理解图优化，一步步带你看懂g2o框架小白：师兄师兄，最近我在看SLAM的优化算法，有种方法叫“图优化”，以前学习算法的时候还有一个优化方法叫“凸优化”，这两个不是一个东西吧？