slam

【SLAM】SLAM-Former论文与代码导读本页概念卡 SLAM-Former · Map Tokens · Pointmap · KV Cache · Cache Sharing · DivPrune · 帧内帧间注意力 · 三训练模式 · 关键帧选择 · 稠密单目SLAM · 未标定SLAM · Pi3 · ATE · Acc · Comp · Chamfer

【SLAM】SLAM数据集相机规格说明整理 EuRoC MAV、TUM RGB-D、HILTI SLAM Challenge（Phasma 手持平台）三个常用 SLAM 基准数据集的相机硬件、安装位置与标定参数。与人形VSLAM公开数据集选型清单互补：那篇是"该阶段下哪个数据集"的选型视角，本篇是每个数据集相机硬件规格/内参/FOV/基线的详细参考。

【SLAM】SLAM-Former单目稠密 SLAM（Dense Monocular SLAM）做成「同一个 Transformer 兼任前端跟踪 + 后端全局精炼」：不用传统回环检测 + 因子图，用 map tokens（地图 token）和 KV cache（注意力键值缓存）让前后端互相促进。

【SLAM】人形机器人 VLN 相机与传感器配置调研不建议第一版直接照搬自动驾驶的四鱼眼环视 BEV SLAM。更稳的硬件主线：主要原因：VLN 需要的不只是轨迹，而是「我在哪里、门/房间/楼梯/桌椅在哪里、语言目标如何落到地图实体」；人形机器人有头颈/躯干摆动、步态冲击、自遮挡、足端接触、无轮速等特点，不能简单套用轮式/车辆 SLAM；公开人形机器人硬件的共同趋势是头部/面部集成 3D 感知（RGB-D/深度相机 + LiDAR，或多 RGB + VLA）；公开资料中焦距通常不公开，工程选型应以 FOV、分辨率、快门、同步、基线、深度范围和畸变模型为主约

火星机器人life

深度学习如何重塑移动机器人SLAM？一篇综述讲透视觉里程计、闭环检测与语义建图传统视觉SLAM受限于静态假设，在动态环境中定位与建图精度难以满足实际需求。深度学习技术的介入，正在从预处理、视觉里程计、闭环检测到语义建图全面改写SLAM的技术路线。北京科技大学李擎、邵圣、马靖超、王恒、曾慧在《工程科学学报》2026年第3期发表的综述《基于深度学习的移动机器人同时定位与建图研究综述》，系统梳理了这一领域的最新进展。本文提炼其核心脉络，突出关键论文、图表与实验对比。

IMU预积分讲人话：递推、协方差、零偏修正到底在算什么预积分最容易让人困惑的地方，是把三件事混在了一起：这一段 IMU 算出了什么、这个结果有多可信、零偏改了以后结果怎么改。

大模型时代的SLAM技术主线：多模态融合与学习型SLAM | 时间节点：2023–2025 | 下一代范式2021-2024年间，人工智能领域经历了从"专用模型"到"基础模型"（Foundation Models）的范式转换：

咯哦哦哦哦

[3D LiDAR SLAM]3D SLAM 的核心难点不在算法理论本身，而在实时性约束下的点云处理效率和多传感器紧耦合的状态估计。

SLAM 三维空间刚体运动（2）上一册把 SLAM 拆成了前端、后端、回环和建图四块，并反复用到一个词：位姿。机器人在哪、朝哪个方向，就是位姿。书的第 2 讲把它写进了运动方程

音视频牛哥

从 LLM、VLA、LLA、SLIM 到实时音视频感知底座：具身智能真正需要的不只是大模型过去十几年，音视频行业解决的问题，大多可以归结为一个核心目标：怎样把声音和画面更稳定、更清晰、更低延迟地送到另一个人面前。摄像头采集、H.264/H.265 编码、RTSP/RTMP 推流、播放器解码、GB28181 接入、录像与转发，这些技术最终服务的主要对象仍然是“人”。

第3.7章机器人第三方库实战总结（七）：OpenCV视觉SLAM核心库详解：API速查+源码实例+避坑指南1. 先来看开篇部分, 关于SLAM学习的那个所谓“第三方库门槛”, 与之有着核心地位的一方面是, 1.1所涉及的是机器人和自动驾驶领域的相关第三方库生态。

事已至此_先吃饭吧

ORB_SLAM2： Optimizer::PoseOptimizationORB_SLAM2中的位姿优化问题可以形容为：已知一个地图点的三维世界坐标X_w，已知它在当前图像中的二维像素坐标(u,v)，把“当前相机位姿T_cw”作为唯一待优化变量，通过最小化3D点投影后的像素位置与实际观测像素位置之间的误差，优化当前帧的相机位姿。

事已至此_先吃饭吧

ORB_SLAM2：词袋模型 Bag of Words假设有三句话我们建立一个词典那么刚才的三句话就可以表示为：同理，剩下的两句可以表示为：于是，经过上面的处理，一句话就可以用一个向量表示。视觉BoW也是同样的思想，但是图像中并没有文字，但是有特征点和描述子。

家庭扫地机器人路径规划Python版本扫地机器人核心是全覆盖路径规划 CCPP（Complete Coverage Path Planning），分为：综述类、国内期刊（全覆盖 / 改进算法）、外文经典、SLAM + 规划工程类，适合毕设、课题调研，全部聚焦家庭室内家居场景。

事已至此_先吃饭吧

调试 ORB_SLAM2 非ROS版本背景：下面为 “mono_tum.cc” 示例的运行步骤。采用的数据集为 rgbd_dataset_freiburg1_xyz

里程计运动模型及标定【激光slam（一）】应用实例：优点：差分模型：运动解算：v = v R + v L 2 v = \frac{v_R + v_L}{2} v=2vR+vL

【3D SLAM源码解读系列】(四) GTSAM与iSAM2——从回环约束到位姿图优化z i j = [ R i j t i j 0 1 ] ∈ S E ( 3 ) z_{ij} = \begin{bmatrix} R_{ij} & t_{ij} \\ 0 & 1 \end{bmatrix} \in SE(3) zij=[Rij0tij1]∈SE(3)

乱七八糟的屋子

TooN 超详细入门实战教程｜C++轻量极致精简矩阵库（机器人/SLAM专用）在C++机器人、SLAM、姿态解算、视觉标定等轻量化高精度数值场景中，开发者常面临困境：Eigen体量偏大、编译模板膨胀；uBLAS语法老旧、性能一般；Blitz++侧重数组迭代、缺少线性代数求解；MTL4依赖Boost、配置繁琐。

激光雷达运动畸变是怎么来的，FAST-LIO又如何用IMU反向传播消除它？想象这样一个场景：一台搭载激光雷达的无人机正在快速飞行。雷达以100毫秒的扫描周期采集一帧点云，每个点的采集时刻不同——第一个点采集于t₀时刻，最后一个点采集于t₁时刻，t₁ - t₀ = 100毫秒。在这100毫秒里，无人机带着雷达向前移动了0.5米，同时机身还伴有小幅旋转。

【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）