在上一篇博文的最后提到过，基于高通QXRService已经开发出了能够获取到几乎所有基础数据的工具应用。今天就开始详细讲解如何基于高通QXRService进行程序开发，这一篇主要讲如何获取高通SLAMPose和IMUData。在之前的博文中已经介绍过，由于高通新的SDK在创建几个关键结构体句柄时，需要传入Java虚拟机内存首地址(JavaVM*)以及运行上下文(Context)，所以对QXRService的开发是JNI层的Native开发，需要具备一些JNI编程的基础知识。另外，此文的一些具体细节对之前的这一篇博文进行了补充和修正：《QVRService：基于SnapdragonXR-SDK4
旋转轴/旋转角、旋转矩阵、四元数、李代数都可以表示旋转，那么这几者的转换是如何实现的呢？绕一个轴，旋转角度的旋转，例如，在三维空间中，以为轴，旋转45°，表示为，注意，旋转轴模长要化为1，旋转角度乘旋转轴即为旋转向量假如有一个点P(1,2,3),那么点P绕轴（0，0.7071，0.7071）转，后的位置，R为旋转矩阵，旋转向量到旋转矩阵的转化通过罗德里格斯公式实现 n右上面一个小帽子表示将向量n(n1,n2,n3)转化为反对称矩阵（skew-symmetirc） 从旋转矩阵转化回旋转轴和旋转角的方法是对旋转矩阵求迹tr(R) 转轴n是旋转矩阵R特征值1所对应的特征向量。通过特征向量的求解方法求
导航实现：SLAM建图先安装相关的ROS功能包:安装gmapping包(用于构建地图):sudoaptinstallros--gmapping安装地图服务包(用于保存与读取地图):sudoaptinstallros--map-server安装navigation包(用于定位以及路径规划):sudoaptinstallros--navigation 新建功能包，并导入依赖:gmappingmap_serveramclmove_base，其中gampping用于构建地图，map_server用于保存与读取地图，amcl用于定位，move_base用于路径规划（1）编写gmapping相关的lau
SLAM是Simultaneouslocalizationandmapping缩写，意为“同步定位与建图”，主要用于解决机器人在未知环境运动时的定位与地图构建问题。机器人在未知环境中从一个未知位置开始移动,在移动过程中根据位置和地图进行自身定位，同时在自身定位的基础上建造增量式地图，实现机器人的自主定位和导航。小车可以运行ros中激光雷达功能包，在PC端的rviz中可以查看；在启动底盘、键盘控制后可以控制小车移动；根据SLAM算法对实验室的环境进行建图；可以保存、读取地图，在PC端控制小车从A点到B点实现路径规划并自动避障。本文以冰达机器人小车为例，在实际使用过程中遇到了一些问题，总结出的较为
SLAM是Simultaneouslocalizationandmapping缩写，意为“同步定位与建图”，主要用于解决机器人在未知环境运动时的定位与地图构建问题。机器人在未知环境中从一个未知位置开始移动,在移动过程中根据位置和地图进行自身定位，同时在自身定位的基础上建造增量式地图，实现机器人的自主定位和导航。小车可以运行ros中激光雷达功能包，在PC端的rviz中可以查看；在启动底盘、键盘控制后可以控制小车移动；根据SLAM算法对实验室的环境进行建图；可以保存、读取地图，在PC端控制小车从A点到B点实现路径规划并自动避障。本文以冰达机器人小车为例，在实际使用过程中遇到了一些问题，总结出的较为
本文主要分享cartographer的安装，并基于上一篇博客中《机器人开发实践》的编译源码仿真机器人，实现仿真建图。在本系列博客下一篇将继续分享实际项目中RoboSense16线雷达基于cartographer的建图历程。一.cartographer的安装安装过程可参考该博客二.cartographer的仿真建图进入cartographer安装的工作空间，激活环境。cd~/catkin_cartographer/sourceinstall_isolated/setup.bash创建文件cartographer_demo_rplidar.launchcd~/catkin_cartographer
本文主要分享cartographer的安装，并基于上一篇博客中《机器人开发实践》的编译源码仿真机器人，实现仿真建图。在本系列博客下一篇将继续分享实际项目中RoboSense16线雷达基于cartographer的建图历程。一.cartographer的安装安装过程可参考该博客二.cartographer的仿真建图进入cartographer安装的工作空间，激活环境。cd~/catkin_cartographer/sourceinstall_isolated/setup.bash创建文件cartographer_demo_rplidar.launchcd~/catkin_cartographer
一、激光SLAM简介基于激光雷达的同时定位与地图构建技术（simultaneouslocalizationandmapping，SLAM）以其准确测量障碍点的角度与距离、无须预先布置场景、可融合多传感器、在光线较差环境工作、能够生成便于导航的环境地图等优势，成为目前定位方案中不可或缺的新技术。激光SLAM任务是搭载激光雷达的主体于运动中估计自身的位姿，同时建立周围的环境地图。而准确的定位需要精确的地图，精确的地图则来自于准确的定位，定位侧重自身位姿估计，建图侧重外部环境重建。SLAM系统一般分为五个模块：传感器数据、视觉里程计、后端、建图及回环检测。传感器数据：主要用于采集实际环境中的各类型原
一、激光SLAM简介基于激光雷达的同时定位与地图构建技术（simultaneouslocalizationandmapping，SLAM）以其准确测量障碍点的角度与距离、无须预先布置场景、可融合多传感器、在光线较差环境工作、能够生成便于导航的环境地图等优势，成为目前定位方案中不可或缺的新技术。激光SLAM任务是搭载激光雷达的主体于运动中估计自身的位姿，同时建立周围的环境地图。而准确的定位需要精确的地图，精确的地图则来自于准确的定位，定位侧重自身位姿估计，建图侧重外部环境重建。SLAM系统一般分为五个模块：传感器数据、视觉里程计、后端、建图及回环检测。传感器数据：主要用于采集实际环境中的各类型原
视觉SLAM总结——SuperPoint/SuperGlue视觉SLAM总结——SuperPoint/SuperGlue1.SuperPoint1.1网络结构1.2损失函数1.3自监督训练过程2.SuperGlue2.1Sinkhorn算法2.2网络结构2.3损失函数和网络训练视觉SLAM总结——SuperPoint/SuperGlue在我刚开始接触SLAM算法的时候听到过一个大佬讲：“SLAM其实最重要的是前端，如果特征匹配做得足够鲁棒，后端就可以变得非常简单”，当时自己总结过一篇传统视觉特征的博客视觉SLAM总结——视觉特征子综述，由于当时对深度学习了解不够，因此并没有涵盖基于深度学习的视
