0.简介各位也知道，我们在之前的博客中，介绍了很多回环的方法，比如ScanContext，Lris,BoW3D等方法。之前作者也在《重定位解析与思考》一文中，给到了一些回环检测算法的介绍。最近林博新开源了一个回环检测算法《STD:AStableTriangleDescriptorfor3Dplacerecognition》。我们从小乌坞博主中的实验中发现，确实效果不错，同时相关的代码也已经在Github上开源了。图1。(a)显示从查询点云中提取的稳定三角形描述符(STD)。(b)显示从历史点云中提取的STD。（c）显示了这两帧点云之间STD匹配的示例。正确匹配的STD描述符由白色框标示，并且通
原文链接：https://arxiv.org/abs/2312.067411.引言许多SLAM方法组合了多种3D表达；使用统一表达进行系统的所有操作（细节的局部表达、大规模几何建图和通过直接对齐进行相机跟踪）是一种有趣的进展。本文提出第一个基于3D高斯溅射（3DGS）的在线视觉SLAM系统。3DGS中的3D场景会被表达为大量的有方向、伸长率、颜色和不透明度的高斯。其余视觉SLAM方法使用占用/有符号距离函数（SDF）体素网格、网孔、点/surfelclouds、神经场，但均有缺点：网格占用大量空间、分辨率有限；网孔需要困难无规则的拓扑以融合新信息；surfelclouds不连续，融合和优化困难
目录1Fast算法1.1Fast算法原理1.2 实现办法1.2.1 机器学习的角点检测器1.2.2 非极大值抑制1.3 代码实现1.4 结果展示2，ORB算法2.1代码实现2.2结果展示FAST算法角点检测原理：FAST算法（FeaturesfromAcceleratedSegmentTest）是一种快速的角点检测算法，用于检测图像中的关键点。该算法的核心思想是在像素周围的三个环内寻找连续的n个像素点，如果这些像素点中有x个像素点的灰度值比当前像素点的灰度值都要大或小，则当前像素点被认为是一个角点。FAST算法的计算速度较快，适用于实时应用和嵌入式系统等场景。ORB算法特征点检测原理：ORB算
SLAM算法与工程实践系列文章下面是SLAM算法与工程实践系列文章的总链接，本人发表这个系列的文章链接均收录于此SLAM算法与工程实践系列文章链接下面是专栏地址：SLAM算法与工程实践系列专栏文章目录SLAM算法与工程实践系列文章SLAM算法与工程实践系列文章链接SLAM算法与工程实践系列专栏前言SLAM算法与工程实践——相机篇：RealSenseT265相机使用（2）校正畸变棋盘标定法横向展开法经纬度法①经度②纬度接收和发布图像同时订阅双目图像在主函数中实现在类的成员函数中实现使用Opencv库订阅T265图像前言这个系列的文章是分享SLAM相关技术算法的学习和工程实践SLAM算法与工程实践
本文经自动驾驶之心公众号授权转载，转载请联系出处。前言ImageRadar即4D毫米波雷达，它输出3D位置+径向速度，相对于传统的3D毫米波雷达（2D位置+速度）多了一维高度信息输出。ImageRadar具备传统3D雷达所有的特点，同时弥补了后者高度信息缺失导致的一系列问题。在特斯拉在其下一代V4智驾硬件上接入ImageRadar[1]后引起了行业内的关注。ImageRadar在成本以及雨雪等极端天气上表现上优于激光雷达，因此，基于ImageRadar设计自动驾驶的感知和定位方案，可能会是接下来两年的一个热点的研究方向。硬件原理和信号处理ImageRadar的硬件原理这部分可以参考[2]，在硬
SLAM算法与工程实践系列文章下面是SLAM算法与工程实践系列文章的总链接，本人发表这个系列的文章链接均收录于此SLAM算法与工程实践系列文章链接下面是专栏地址：SLAM算法与工程实践系列专栏文章目录SLAM算法与工程实践系列文章SLAM算法与工程实践系列文章链接SLAM算法与工程实践系列专栏前言SLAM算法与工程实践——相机篇：RealSenseD435使用（2）相机标定直接获取相机参数黑白相机参数彩色相机参数订阅话题订阅RGB相机订阅双目立体匹配SGBM算法使用后处理方式显示点云彩色点云前言这个系列的文章是分享SLAM相关技术算法的学习和工程实践SLAM算法与工程实践——相机篇：RealS
SLAM算法与工程实践系列文章下面是SLAM算法与工程实践系列文章的总链接，本人发表这个系列的文章链接均收录于此SLAM算法与工程实践系列文章链接下面是专栏地址：SLAM算法与工程实践系列专栏文章目录SLAM算法与工程实践系列文章SLAM算法与工程实践系列文章链接SLAM算法与工程实践系列专栏前言SLAM算法与工程实践——相机篇：传统相机使用（1）相机相关命令出现的问题调用相机以MJPG格式打开相机前言这个系列的文章是分享SLAM相关技术算法的学习和工程实践SLAM算法与工程实践——相机篇：传统相机使用（1）相机相关命令插上USB相机，使用命令查看USB设备lsusb可以识别相机使用命令查看识
github源码链接V2文章目录第7讲视觉里程计17.1特征点法7.1.1特征点7.1.2ORB特征FAST关键点⟹\Longrightarrow⟹OrientedFASTBRIEF描述子7.1.3特征匹配7.2实践【Code】本讲CMakeLists.txt7.2.1使用OpenCV进行ORB的特征匹配【Code】7.2.2手写ORB特征估计相机运动【相机位姿估计】3种情形【对极几何、ICP、PnP】7.32D-2D:对极几何单目相机(无距离信息)7.3.2本质矩阵E\bm{E}E7.3.3单应矩阵(Homography)【墙、地面】7.4实践：对极约束求解相机运动【Code】讨论！！！7.
目录目录1.实验环境2.安装步骤2.1安装必要的库和依赖 3.结果4.附录（碰到的错误）4.1Panlogin版本装错怎么办4.1.1卸载Pangolin（新安装跳过此步）4.1.2新安装或重新安装Pangolin5.如果还没解决请参考以下文章和视频1.实验环境使用vmware安装虚拟机：ubuntu18.04(注进不去github需要开飞机chang)2.安装步骤2.1安装必要的库和依赖（1）更新apt库，更新软件列表sudoapt-getupdate（2）安装git，用于从Github上克隆项目到本地sudoapt-getinstallgit（3）安装cmake，用于程序的编译sudoa
最近系统性学习了一遍LIO-SAM，开始的时候一直搞不懂里程计坐标系，经过不断学习才有了一点自己的拙见。引言：首先我们搞清楚SLAM算法主要是解决建图与定位问题，其更侧重定位，即让机器人知道自己在全局地图的哪个位置，只有这样才能继续后续的预测、感知、控制等模块。但是SLAM算法做定位这件事存在的意义就是为了解决当GPS这类非自主定位传感器信号不连续时的定位问题。SLAM算法主要是靠激光雷达/相机、IMU等传感器来做定位，但是不管是精度再高的激光雷达通过点云匹配得出位姿还是IMU预积分给出的位姿都会和map中的绝对位姿产生不断变化的误差，这个不断变化的误差便造就了不断变化的“里程计坐标系”。继续
