文章目录前言一、导航概述1.1、导航模块1.2、导航之坐标系二、导航实现准备工作（安装导航包和新建工程包）2.1、SLAM建图2.1.1、认识gmapping2.1.2、实操2.2、地图服务（map_server）2.2.1、认识map_server2.2.2、实操—保存地图2.2.3、实操—读取地图2.3、定位（amcl）2.3.1、认识amcl2.3.2、坐标变换介绍2.3.3、实操2.4、路径规划（move_base）2.4.1、认识move_base2.4.2、move_base与代价地图2.4.3、实操—目的地导航2.4.4、rviz订阅全局地图、本地地图2.5、实践—自主实现建图（

特征值与特征向量  2. 相似变换   3.旋转矩阵旋转矩阵（英语：Rotationmatrix）是在乘以一个向量的时候有改变向量的方向但不改变大小的效果并保持了手性的矩阵。在二维空间中，旋转可以用一个单一的角 定义。作为约定，正角表示逆时针旋转。把笛卡尔坐标的列向量关于原点逆时针旋转的矩阵是：二维空间，坐标系的旋转：假设已知基坐标系XOY中的一点P（x，y），坐标原点为O，绕点O旋转θ，可以求得点P在新坐标系X'OY'中坐标值（x'，y'）,如下图所示：      3.1 正交矩阵特性     3.2.三维空间   4. 平移矩阵  5. 矩阵分解  5.1 SVD分解  5.2. Chol

文章目录0引言1EuRoc数据和真值2ORB-SLAM3的EuRoc示例2.1纯单目的示例2.2纯单目的轨迹评估2.3纯双目的示例2.4纯双目的轨迹评估2.5单目和IMU的示例2.6单目和IMU的轨迹评估2.7双目和IMU的示例2.8双目和IMU的轨迹评估2.9前四种的评估结果对比0引言ORB-SLAM3算法1已成功编译安装ORB-SLAM3到本地，本篇目的是用EuRoc开源数据来运行ORB-SLAM3，并生成轨迹，最后用evo评估工具来评估ORB-SLAM3生成的轨迹和真值轨迹。1EuRoc数据和真值EuRoc数据集和对

这里写自定义目录标题硬件设备外参标定标定流程问题解决问题一：运行calib.launch报错：**[lidar_camera_calib-2]processhasdied[pid26108,exitcode-11,cmd**问题二：运行自己的标定数据报错：[pcl::KdTreeFLANN::setInputCloud]CannotcreateaKDTreewithanemptyinputcloud!相机内参标定标定流程问题解决问题一：运行kalibr_calibrate_cameras报错：**UnicodedecodeError:'ascii'codeccan'tdecodebyteoxc

Eigen/四元数/欧拉角/旋转矩阵相关系列文章Eigen/Matlab使用小结SLAM——之Eigen入门（矩阵运算及几何模块）SLAM——之Eigen函数库，一个相对复杂的EIgen使用实例SLAM——Eigen函数库:矩阵块运算，block操作SLAM——Eigen函数库之Eigen::Ref使用实例欧拉角和旋转矩阵相互转换四元数与三维向量相乘运算四元数求导SLAM——Eigen函数库之矩阵块运算，高阶操作middleCols与segment用法frame->grad_vec_.middleCols(n_old,n_new)=new_grads;frame->score_vec_.seg

Livox+HIKROBOT联合标定——相机内参标定引言1海康机器人HIKROBOTSDK二次开发并封装ROS1.1介绍1.2安装MVSSDK1.3封装ROSpackge2览沃LivoxSDK二次开发并封装ROS3相机雷达联合标定——相机内参标定3.1环境配置3.1.1安装依赖——PCL安装3.1.2安装依赖——Eigen安装3.1.3安装依赖——Ceres-solver安装3.1.4下载源码，编译准备3.1.5程序节点概括3.2相机内参标定3.2.1前期准备3.2.2cameraCalib标定**`报错`**（若无报错则跳过此步骤）引言LivoxLidar+HIKROBOTCamera联合标

手机LiDAR-based3D扫描和建模测试系统是一种利用激光雷达（LiDAR）技术进行三维扫描和模型创建的工具，它可以在手机上运行。这种测试系统可以用于各种应用，如地形测绘、建筑物建模、机器人视觉、无人驾驶汽车导航等。手机LiDAR-based激光雷达标定板是一种用于激光雷达传感器标定的设备，可以用于无人驾驶汽车、无人机等无人系统的环境感知和自主导航技术中。这种测试系统通常包括一个可以旋转的激光雷达，它能够发射出激光束并接收反射回来的信号。通过测量激光束往返的时间，可以计算出物体与设备之间的距离。同时，通过旋转激光雷达，可以对周围环境进行全面的三维扫描。这种测试系统通常还包含一些用于数据处理

标题：ResearchonSLAMandPathPlanningMethodofInspectionRobotinComplexScenarios作者：XiaohuiWang，Xi Ma，ZhaoweiLi编译：东岸因为编辑：郑欣欣@一点人工一点智能入群邀请：7个专业方向交流群+1个资料需求群原文：SLAM+路径规划：巡检机器人算法设计00摘要工厂安全检查对于保持生产环境的安全至关重要。目前，检查主要依靠人工定期进行，这使得效率低下并且需要投入大量人力。因此，利用巡检机器人可以显著提高任务的可靠性和效率。机器人的定位技术和路径规划技术的发展确保了工厂巡检机器人能够在复杂环境中自主完成任务。针对

作者：张长鸿湖南大学校稿：董亚微编辑：郑欣欣@一点人工一点智能原文地址：视觉SLAM：模型介绍、算法框架及应用场景目录01 什么是SLAM 1.1 相机模型1.2 相机运动1.3建图02SLAM算法框架03SLAM的应用场景3.1自动驾驶的高精度定位3.2自主移动机器人知识扩展：组合导航（GNSS／INS）二维码导航/磁导航3.3室内场景的三维重建：AR（增强现实技术）等04 结语参考文献：本文主要想使用尽量少的专业词汇来解释清楚视觉SLAM是如何进行定位的（在某些表述上可能并不严谨），希望对视觉SLAM有兴趣的伙伴能在刚接触SLAM时有个基本的了解，本文同时介绍了视觉SLAM的经典框架和应用

         众所周知，传统3D毫米波雷达存在如下性能缺陷：        1）静止目标和地物杂波混在一起，难以区分；        2)横穿车辆和行人多普勒为零或很低，难以检测；        3)高处物体和地面目标不能区分，容易造成误刹，影响安全性；        4)角度分辨率低，远处目标位置精度低，误差大；        5)点云稀疏，难以识别目标类型。        4D毫米波雷达突破传统雷达局限性，可以高精度探测目标的距离、速度、水平方位和俯仰方位，使得：                1）最远探测距离大幅提高，可达300多米，比激光雷达和视觉传感器都要远；        2)