以下内容来自从零开始机器人SLAM知识星球每日更新内容点击领取学习资料→机器人SLAM学习资料大礼包#论文#D2SLAM:DecentralizedandDistributedCollaborativeVisual-inertialSLAMSystemforAerialSwarm论文地址：https://arxiv.org/abs/2211.01538作者单位：香港科技大学近年来，空中集群技术发展迅速。为了实现完全自主的空中集群，一项关键技术是针对空中集群的分布式协作SLAM(CSLAM)，它估计相对姿态和一致的全局轨迹。在本文中，我们提出了D2SLAM：一种去中心化和分布式(D2)协作式SL
以下内容来自从零开始机器人SLAM知识星球每日更新内容点击领取学习资料→机器人SLAM学习资料大礼包#论文#D2SLAM:DecentralizedandDistributedCollaborativeVisual-inertialSLAMSystemforAerialSwarm论文地址：https://arxiv.org/abs/2211.01538作者单位：香港科技大学近年来，空中集群技术发展迅速。为了实现完全自主的空中集群，一项关键技术是针对空中集群的分布式协作SLAM(CSLAM)，它估计相对姿态和一致的全局轨迹。在本文中，我们提出了D2SLAM：一种去中心化和分布式(D2)协作式SL
本人讲解关于slam一系列文章汇总链接:史上最全slam从零开始有兴趣的朋友可以加微信17575010159相互讨论技术-文末公众号也可关注 一、前言(线性变换)该篇博客主要讲解一个slam中最基础的几个东西，那就是旋转矩阵，缩放矩阵以及偏移矩阵。本人会做一个比较细致的讲解。首先从二维平面开始引入，等大家略微了解之后，再扩展到三维。在讲解之前，聊一下其他的东西，那就是线性变换。在学习线性代数的时候，如果矩阵AAA左乘一个向量v⃗\vecvv,就说成矩阵AAA对向量v⃗\vecvv进行了线性变换。直观上的感觉改变了向量v⃗\vecvv的坐标。但是并不知道其形象的几何意义是什么，那么现在就来更深层
本人讲解关于slam一系列文章汇总链接:史上最全slam从零开始有兴趣的朋友可以加微信17575010159相互讨论技术-文末公众号也可关注 一、前言(线性变换)该篇博客主要讲解一个slam中最基础的几个东西，那就是旋转矩阵，缩放矩阵以及偏移矩阵。本人会做一个比较细致的讲解。首先从二维平面开始引入，等大家略微了解之后，再扩展到三维。在讲解之前，聊一下其他的东西，那就是线性变换。在学习线性代数的时候，如果矩阵AAA左乘一个向量v⃗\vecvv,就说成矩阵AAA对向量v⃗\vecvv进行了线性变换。直观上的感觉改变了向量v⃗\vecvv的坐标。但是并不知道其形象的几何意义是什么，那么现在就来更深层
是对之前看过的一些论文内容的整理。以下方法大部分都是几何+深度学习的结合。部分有开源（碎碎念：有时候看不到具体的代码实现真的很苦恼），这里主要是对几何相关的部分做了一个简单的梳理（比较细节，没有什么大局观），理解不一定完全正确。知乎上近期有几篇很好的关于动态SLAM的帖子，没看过的小伙伴不要错过。一.基于多分辨率的rangeimage1.RF-LIO:Removal-FirstTightly-coupledLidarInertialOdometryinHighDynamicEnvironments利用的是多分辨率的rangeimage。使用投影的rangeimage的可见性来进行移动点识别。1
是对之前看过的一些论文内容的整理。以下方法大部分都是几何+深度学习的结合。部分有开源（碎碎念：有时候看不到具体的代码实现真的很苦恼），这里主要是对几何相关的部分做了一个简单的梳理（比较细节，没有什么大局观），理解不一定完全正确。知乎上近期有几篇很好的关于动态SLAM的帖子，没看过的小伙伴不要错过。一.基于多分辨率的rangeimage1.RF-LIO:Removal-FirstTightly-coupledLidarInertialOdometryinHighDynamicEnvironments利用的是多分辨率的rangeimage。使用投影的rangeimage的可见性来进行移动点识别。1
系统版本：Ubuntu20.04ROS版本：NoeticEVO是用于处理、评估和比较里程计和SLAM算法的轨迹输出的工具。注意：本文的评测是在kitti数据集下进行评测，其他的数据集也支持评测。安装EVO，可以执行下面这条命令。pipinstallevo--upgrade--no-binaryevoevo工具主要有6个常用命令 evo_ape：用于评估绝对位姿误差 evo_rpe：用于评估相对位姿误差 evo_traj：用于画轨迹、输出轨迹文件、转换轨迹数据格式 evo_res：比较来自evo_ape和evo_rpe生成的一个或多个结果文件的工具 evo_fig：（不常用）用
系统版本：Ubuntu20.04ROS版本：NoeticEVO是用于处理、评估和比较里程计和SLAM算法的轨迹输出的工具。注意：本文的评测是在kitti数据集下进行评测，其他的数据集也支持评测。安装EVO，可以执行下面这条命令。pipinstallevo--upgrade--no-binaryevoevo工具主要有6个常用命令 evo_ape：用于评估绝对位姿误差 evo_rpe：用于评估相对位姿误差 evo_traj：用于画轨迹、输出轨迹文件、转换轨迹数据格式 evo_res：比较来自evo_ape和evo_rpe生成的一个或多个结果文件的工具 evo_fig：（不常用）用
由于SLAM是一个错综复杂的研究领域，涉及到非常多的关键技术。这里先讲讲学习方法论，然后对一些关键性概念（包括SLAM、ROS、SLAM移动机器人）进行分析，最后给出典型应用案例方便大家进行实战。0.学习方法论关于SLAM学习方法论，我觉得可以用"螺旋上升"这四个字来概括，大家可以根据自己的喜好和实际基础，选择从理论或者代码开始看。下面假设先从理论开始学习，当然从代码开始学习也是类似的。第1步：假如以理论开始看起，就是涉猎各种会议期刊论文、博客、知乎，看得过程中肯定有很多不懂的很正常，一般论文或者博客都会提及相应的一些开源代码实现。第2步：然后你就可以挑一两个开源代码框架自己安装到电脑上运行跑
由于SLAM是一个错综复杂的研究领域，涉及到非常多的关键技术。这里先讲讲学习方法论，然后对一些关键性概念（包括SLAM、ROS、SLAM移动机器人）进行分析，最后给出典型应用案例方便大家进行实战。0.学习方法论关于SLAM学习方法论，我觉得可以用"螺旋上升"这四个字来概括，大家可以根据自己的喜好和实际基础，选择从理论或者代码开始看。下面假设先从理论开始学习，当然从代码开始学习也是类似的。第1步：假如以理论开始看起，就是涉猎各种会议期刊论文、博客、知乎，看得过程中肯定有很多不懂的很正常，一般论文或者博客都会提及相应的一些开源代码实现。第2步：然后你就可以挑一两个开源代码框架自己安装到电脑上运行跑
