slam

【7】lightning_lm项目-LIO 前端 -IVox 局部地图这是 Lightning-LM 里一个很有特色的模块，是一种高效的空间数据结构！看 ivox3d.hIVox = Incremental Voxel （增量式体素地图）

机器人导航入门指南（从 0 到 1）机器人导航入门指南（从 0 到 1）本文档基于 D:\pan\桌面\导航下的全部资料（资料.txt、1.txt ~ 14.txt）整理而成，配套硬件为 Yahboom X3 麦轮车 + 激光雷达（A1/S2/RPLIDAR），软件栈以 ROS1 (move_base) 为主线，并在关键处标注 ROS2 (Nav2) 的对应关系。

【6】lightning_lm项目-LIO 前端 -点云预处理模块来看点云预处理模块，这是 LIO 前端的第一步！先看结构很清晰，这个模块的功能：把不同厂家的雷达数据统一处理！

【2】lightning_lm项目-阶段1-基础理解重点理解：核心特性这13个特性很重要，先记下来：完整的 3D Lidar SLAM，快速的 LIO 前端（AA-FasterLIO）— 标配

记录ros2的slam环境搭建搭配思岚C1激光雷达1. 获取并编译驱动在终端中执行以下命令2. 启动雷达根据资料，新驱动提供了更灵活的启动方式，可以直接在命令中指定串口号

FAST_LIO2(2): 运行记录打算通过FAST_LIO2为建图提供里程计。硬件基于：jetson, mid360。FAST_LIO2(1)：安装记录-CSDN博客

大江东去浪淘尽千古风流人物

【SLAM】slam高动态位姿估计全链路拆解SLAM 算法工程师岗位的面试覆盖三大维度：理论基础（视觉几何、滤波、图优化）、工程实践（C++ 高性能编程、ROS、实时性优化）、问题解决思维（建图漂移、动态干扰、传感器故障）。本文系统梳理 18 道核心高频面试问题的知识图谱，并以 Q4"高动态工况下的位姿估计"为例，完整拆解从问题本质挖掘到优秀回答框架的全链路，包含典型误区分析与评判标准。面向准备大疆及同类无人机/机器人公司 SLAM 岗面试的工程师。

Agilex松灵机器人

UMR × NAVIS：移动机器人行业级通用一体化底盘与3D导航解决方案在移动机器人逐渐进入智能制造、仓储物流、巡检运维及具身智能等行业应用的今天，越来越多开发者开始关注行业级通用一体化底盘与3D导航能力。相比传统需要分别选型底盘、导航系统和感知设备的开发模式，松灵机器人（AgileX Robotics）推出的 UMR 行业级通用一体化底盘结合 NAVIS 3D导航平台，能够帮助用户快速构建自主移动机器人，大幅降低开发与部署成本。

SLAM 如何一步步迭代到 SE(3)从旋转的物理意义到旋转矩阵的数学性质再到刚体变换最后才到李群李代数欧拉角 = 把任意 3D 旋转，拆成"先绕 Z 转、再绕 Y 转、再绕 X 转"，用三个角度来描述。

点云拼接 (RGB-D 点云建图)把一组 RGB-D 图像（彩色图 + 深度图）和对应的相机位姿，拼接成一个彩色 3D 点云地图。对应《视觉 SLAM 十四讲》第 5 讲 "实践：拼接点云" 的 Python 实现。

【三维重建】概述三维重建是规控工程师的必要素养；我之前的博客基本上都围绕着嵌入式+运动学动力学展开，它们都属于控制的部分；本专栏即将展开的三维重建主要是感知的部分，属于规划的前置必要条件；

FAST-LIO src/IMU_Processing.hpp 完整详细讲解这份 IMU_Processing.hpp 是 FAST-LIO 前端里最关键的模块之一。它不负责 ikd-Tree 最近邻搜索，也不直接构造点到平面残差；它负责在 LiDAR 匹配前完成两件基础工作：

FAST-LIVO2 源码精读（二）：环境搭建与编译避坑本文是「FAST-LIVO2 激光-惯性-视觉里程计源码精读」专栏第二篇。上一篇确立了系统全局认知与 19 维状态向量的精确构成；从这一篇起进入实战。编译通过是阅读源码、调参、改代码的前提——在此之前任何"理解"都悬在空中。本篇逐项拆解 FAST-LIVO2 的依赖树，重点讲清三处极易踩错的版本地雷，并给出 catkin_make 常见报错的速查处置表。

大江东去浪淘尽千古风流人物

【PromptStereo】零样本立体匹配新范式：用结构与运动Prompt驱动迭代优化（CVPR 2026）立体匹配深度估计零样本泛化Depth AnythingCVPR 2026Transformer## 摘要

开源可SLAM的3D扫描仪硬件方案（成本低至6000元）👑主页：吾名招财 👓简介：工科学硕，研究方向机器视觉，爱好较广泛… 💫签名：面朝大海，春暖花开！

暂未成功人士！

简单了解李群和李代数的相关概念以及典型应用目录前言一、先从直观理解1. 为什么需要它们二、基础概念：群、李群、李代数1. 它是一个群2. 它是光滑的

Ubuntu 22.04 + ROS2 Humble 上部署 ScaRF‑SLAM指南基于经典视觉 SLAM 和几何基础模型的稠密三维重建框架作者：Yuhao Zhang, Yifu Tao, Frank Dellaert, Maurice Fallon 论文：arXiv:2606.00307 | 项目主页：ScaRF-SLAM

大江东去浪淘尽千古风流人物

【VGGT-Ω】前馈式3D重建的规模化之路：Register Attention、自监督训练与10B参数Scaling Law深度解析现有前馈式3D重建模型（如VGGT、DUSt3R、MASt3R）虽然摆脱了后优化流程，但模型规模和数据规模对重建精度的影响尚未被系统探索。VGGT-Ω 在架构、数据和训练三个维度同时做了规模化改进：引入 Register Attention 替代部分全局注意力以降低计算开销，用单一 Dense Head + Pixel Shuffle 替代多头 DPT 以节省显存，并构建了覆盖4M序列（含动态场景）的高质量标注流水线。最终在 Sintel 上相机位姿估计 AUC@3° 从22.5提升到40.0（+77%）

大江东去浪淘尽千古风流人物

【VGGT】统一3D重建：单网络同时预测相机位姿、深度图、点云与3D轨迹的前馈Transformer架构深度解析VGGT（Visual Geometry Grounded Transformer）是Meta Research提出的1.2B参数前馈Transformer，能在1秒内从1~100+张图像中同时推断相机参数、点云图、深度图和3D点轨迹。通过Alternating Attention机制（帧内与全局自注意力交替）替代传统Cross-Attention，在相机估计、多视图深度、稠密重建和3D跟踪四项任务上均达到SOTA，且无需迭代优化。论文发表于CVPR 2025。

【ROS2实战笔记-24】ROS2 Launch 实用技巧：条件逻辑与节点动态生成在一个典型的 ROS2 项目中，总有一个巨大的 launch/ 文件夹和一个臃肿到几乎让人望而却步的主 launch 文件。但 ROS2 的 Python launch 系统其实是一把功能强大的“瑞士军刀”，远远不止于按顺序启动节点那么简单。