slam

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？

ROS理论与实践学习笔记——6 ROS机器人导航（仿真）之导航实现准备工作：请先安装相关的ROS功能包安装 gmapping 包(用于构建地图):sudo apt install ros-<ROS版本>-gmapping

请不要叫我菜鸡

无环SLAM系统集成后端回环检测模块（loop）：SC-A-LOAM以及FAST_LIO_SLAM最近在研究SLAM目标检测相关知识，看到一篇论文，集成了SC-A-LOAM作为后端回环检测模块，在学习了论文相关内容后决定看一下代码知识，随后将其移植，学习过程中发现我找的论文已经集成了回环检测模块，但是我的另一篇base并没有集成回环检测模块，不过后面调研发现这个回环检测模块可以方便的进行移植，下面简单总结一下这个后端回环模块的使用方式：

小虎哥哥爱学习

《机器人SLAM导航核心技术与实战》第1季：第9章_视觉SLAM系统【第1季】9.第9章_视觉SLAM系统-视频讲解【第1季】9.1.第9章_视觉SLAM系统_ORB-SLAM2算法（上）-视频讲解

Cartographer源码理解最近一个半月，利用空余时间对Cartographer源码进行了简单的阅读，在这里做了个简单梳理，和大家分享交流。

【三维重建】近期进展（完善中）提示：以下是本篇文章正文内容，下面案例可供参考来源：1清华大学人工智能产业研究院2安阳理工大学 3清华大学4北京理工大学项目：https://sainingzhang.github.io/project/uc-gs/

【Orb-Slam3学习】特征匹配函数的目的与分类特征匹配的目的大致有3个：1、特征点最朴素的匹配方式的暴力匹配，但是暴力匹配过于耗时。从而在Orb-Slam3中为快速进行特征点匹配创建了多个特征匹配函数。

intel RealSense D435i自制数据集跑SLAM提示：该篇文章在Ubuntu22.04系统上进行1.下载realsense如果clone不下来，可以试试用手机流量。如果流量也不行可以科学上网至今进入github网址下载下来，然后利用WinSCP或者X-Ftps等软件传输即可。

视觉SLAM ch3补充——在Linux中配置VScode以及CMakeLists如何添加Eigen库ch3中的所有代码，除了在kdevelop中运行，还可以在VScode中运行。下面将简要演示配置过程，代码不再做解答，详细内容在下面的文章中。（这一节中的pangolin由于安装过程中会出现很多问题，且后续内容用不到该平台，所以暂时不进行安装）