本专栏分享计算机小伙伴秋招春招找工作的面试经验和面试的详情知识点专栏首页：秋招算法类面经分享主要分享计算机算法类在面试互联网公司时候一些真实的经验小伙伴自我介绍：写在前面，南京某炮专，研二上阶段，简历写了两个竞赛和一个项目，一个机器人相关的二等奖，
系列文章目录·【SLAM】基于explore_lite的移动机器人自主建图·【SLAM】基于rrt_explore的移动机器人自主建图·【问题解决】rrt_exploration功能包使用过程中报错处理文章目录目录系列文章目录文章目录前言一、简介二、安装三、架构四、参数配置五、仿真实验总结前言机器人自主建图有很多方式，比如基于位置边界的map-explore，基于快速搜索树的rrt-explore，指定区域自主探索建图frontier-explore，这几种方法各有优劣，博主接下来将对每种方法进行简单介绍、使用实现，和比较测评一、简介explore-lite提供了贪婪的基于边界的
连载文章，长期更新，欢迎关注：写在前面第1章-ROS入门必备知识第2章-C++编程范式第3章-OpenCV图像处理第4章-机器人传感器第5章-机器人主机第6章-机器人底盘第7章-SLAM中的数学基础第8章-激光SLAM系统 8.1Gmapping算法 8.2Cartographer算法 8.3LOAM算法第9章-视觉SLAM系统第10章-其他SLAM系统第11章-自主导航中的数学基础第12章-典型自主导航系统第13章-机器人SLAM导航综合实战Gmapping代码实现相对简洁，非常适合初学者入门学习。但是Gmapping属于基于滤波方法的SLAM系统，明显的
连载文章，长期更新，欢迎关注：写在前面第1章-ROS入门必备知识第2章-C++编程范式第3章-OpenCV图像处理第4章-机器人传感器第5章-机器人主机第6章-机器人底盘第7章-SLAM中的数学基础第8章-激光SLAM系统 8.1Gmapping算法 8.2Cartographer算法 8.3LOAM算法第9章-视觉SLAM系统第10章-其他SLAM系统第11章-自主导航中的数学基础第12章-典型自主导航系统第13章-机器人SLAM导航综合实战Gmapping代码实现相对简洁，非常适合初学者入门学习。但是Gmapping属于基于滤波方法的SLAM系统，明显的
大家好呀，我是一个SLAM方向的在读博士，深知SLAM学习过程一路走来的坎坷，也十分感谢各位大佬的优质文章和源码。随着知识的越来越多，越来越细，我准备整理一个自己的激光SLAM学习笔记专栏，从0带大家快速上手激光SLAM，也方便想入门SLAM的同学和小白学习参考，相信看完会有一定的收获。如有不对的地方欢迎指出，欢迎各位大佬交流讨论，一起进步。目录roslib-ROSWiki1、什么是ROS1.1什么是ROS1.2ROS特点1.3ROS基本概念1.4控制小海龟2、ROS编程基础2.1ROS通信流程2.2 ROS编程流程2.3ROS常用命令roslib-ROSWikiROS官方教程链接 1、什么是
一、引言ORB-SLAM2，它是基于单目、双目或RGB-D相机的一个完整的SLAM系统，其中包括地图重用、回环检测和重定位功能。这个系统可以适用于多种环境，无论是室内小型手持设备，还是工厂环境中飞行的无人机和城市中行驶的车辆，其都可以在标准CPU上实时运行。该系统的后端使用基于单目和双目观测的光束法平差法（bundleadjustment），这使得其可以精确估计轨迹的尺度。该系统包含一个轻量级的定位模式，它使用视觉里程计追踪未建图区域并匹配地图点，实现零漂移定位。下文配置基于Ubuntu20.04系统，请线配置好系统二、ros（noetic）系统的安装ROS系统目前有三大版本，分别是ROSKi
一、引言ORB-SLAM2，它是基于单目、双目或RGB-D相机的一个完整的SLAM系统，其中包括地图重用、回环检测和重定位功能。这个系统可以适用于多种环境，无论是室内小型手持设备，还是工厂环境中飞行的无人机和城市中行驶的车辆，其都可以在标准CPU上实时运行。该系统的后端使用基于单目和双目观测的光束法平差法（bundleadjustment），这使得其可以精确估计轨迹的尺度。该系统包含一个轻量级的定位模式，它使用视觉里程计追踪未建图区域并匹配地图点，实现零漂移定位。下文配置基于Ubuntu20.04系统，请线配置好系统二、ros（noetic）系统的安装ROS系统目前有三大版本，分别是ROSKi
1.传统slam局限性 slam算法假设的环境中的物体都是处于静态或者低运动状态的，然而，现实世界是复杂多变的，因此这种假设对于应用环境有着严格的限制，同时影响视觉slam系统在实际场景中的应用性。当环境中存在动态物体时，会给系统带来错误的观测数据，同时降低系统的精度和鲁棒性。通过RANSAC算法（随机采样一致性）的外点处理机制能够解决部分异常点对于算法的影响。但是当动态物体占据空间的大部分时，依然会影响位姿跟踪，所以需要检测运动的物体、剔除动态区域的特征点，亦或者是降低在优化位姿的权重，减少对视觉定位的影响。 人身上为动态特征点，要尽可能的去除。2.常用算法：开源的系统（DS-SLAM
1.传统slam局限性 slam算法假设的环境中的物体都是处于静态或者低运动状态的，然而，现实世界是复杂多变的，因此这种假设对于应用环境有着严格的限制，同时影响视觉slam系统在实际场景中的应用性。当环境中存在动态物体时，会给系统带来错误的观测数据，同时降低系统的精度和鲁棒性。通过RANSAC算法（随机采样一致性）的外点处理机制能够解决部分异常点对于算法的影响。但是当动态物体占据空间的大部分时，依然会影响位姿跟踪，所以需要检测运动的物体、剔除动态区域的特征点，亦或者是降低在优化位姿的权重，减少对视觉定位的影响。 人身上为动态特征点，要尽可能的去除。2.常用算法：开源的系统（DS-SLAM
特征点的检测与匹配（ORB,SIFT,SURFT比较）本文旨在总结opencv-python上特征点的检测和匹配。1、特征点的检测（包括：ORB,SIFT,SURFT）2、特侦点匹配方法(包括：暴力法，FLANN，以及随机抽样一致性优化RANSAC算法)注：由于SURF专利问题，所以opencv官方包目前不支持SURF但支持ORB和SIFT，安装opencv-contrib-python包就可以解决pipuninstallopencv-pythonpipinstallopencv-contrib-python==3.4.2.17 一、特征点检测1、ORB算法大致步骤：ORB的特点是速度超快，而
