最近搜素了论文和相关网页，博主总结了一下无人机测深总共有三种办法：（1）激光雷达；（2）测深仪；（3）探地雷达（GPR）。1、激光雷达在含盐、气泡和浮游生物的海水中，光波和电磁波的衰减都非常大，因此，机载激光测深应用程度一直不高。20世纪70年代，人们发现波长470~580nm之间的蓝绿光衰减系数最小，机载激光测深技术得到了迅速的发展。机载激光测深系统（LiDAR）的最初目的主要是获取困难地区的数字高程模型数据。近几年，机载激光雷达技术为浅海、岛礁、暗礁等传统手段难以开展的水深测量提供了新的解决方案。机载激光测深的特点是：精度高、分辨率高、灵活机动、测点密度高、测量周期短和覆盖面广；同时测量水
论文信息题目：VisualSLAMMappingBasedonYOLOv5inDynamicScenes动态场景下基于YOLOv5的视觉SLAM建图论文地址：https://www.mdpi.com/2076-3417/12/22/11548/pdf发表期刊：JournalsAppliedSciencesVolume12Issue2210.3390/app122211548标签yolov5结合orbslam2、语义分割、动态目标点剔除摘要文中提出了一种基于ORB-SLAM2算法结合YOLOv5网络的映射方法。首先，利用跟踪线程的YOLOv5网络对每一帧进行动态对象检测，得到带有动态信息检测的关
Birds-Eyes-View（BEV）：鸟瞰图，这个词本身没什么特别意义，但在自动驾驶（AutonomousDriving，简称AD）领域逐渐普及后变成了这个行业内的一种术语。SimultaneousLocalizationandMapping（SLAM）：并发定位与地图测绘，相对于BEV的另外一种感知技术。Perception：感知，SLAM和BEV在AD领域里都是协助控制系统了解车辆周围状况的感知技术：知道自己在哪，有哪些障碍物，障碍物在自己的什么方位，距离多远，哪些障碍物是静态的那些是移动的，等等相关信息，便于随后做出驾驶决策。SLAMVSBEV：SLAM主要通过各种传感器扫描周围空间
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 6.1底盘运动学模型 6.2底盘性能指标 6.3典型机器人底盘搭建第7章-SLAM中的数学基础第8章-激光SLAM系统第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导航综合实战轮式机器人底盘按照转向方式的不同，可以分为两轮差速模型、四轮差速模型、阿克曼模型、全向模型等。两轮差速模型是最简单的底盘模型，通过左
滤波、分割等预处理过程省略。输入图像为灰度图，激光条纹水平走向。目录几何中心法极值法细化法灰度重心法法向质心法Steger算法几何中心法检测出光条边界l、h后，把两边界的中间线(l+h)/2作为激光条纹的中心线。#include#includeintmain(intargc,char**argv){ cv::Matsrc_img=cv::imread("70.bmp",0); cv::Matdst_img=src_img.clone(); cv::cvtColor(dst_img,dst_img,cv::COLOR_GRAY2RGB); uchar*p=src_img.data; std::v
这篇博客是记录一下自己遇到的问题。相机是单目相机，激光雷达是机械式激光雷达。标定板是8×6，格宽112毫米。工控机x86架构，无CUDA，Ubuntu18.04，ROSMelodic。安装过程中需要科学上网。一、准备好相机和激光雷达的ROS驱动已有的相机驱动在工控机上编译出现了一些问题：问题1：报错undefinedreferenceto`cv::*解决：修改CMakeLists.txttarget_link_libraries(calibration_publisher${catkin_LIBRARIES} ${OpenCV_LIBS})问题2：报错Badargument(Invalidpo
前言：本文对激光雷达产业进行梳理，从上游器件、中下游终端厂商等几个部分来剖析激光雷达产业链。激光雷达：自动驾驶的核心传感器激光雷达是通过发射激光束作为来探测目标位置、速度、结构等特征的雷达系统。与其他雷达系统的原理类似，激光雷达是向目标发射探测信号（激光束），然后将探测目标反射回来的信号与发射时的原始信号进行比较，通过一定算法获得目标的相关信息，包括目标距离、方位、速度、甚至形状等。对外界环境感知能力上的优势，也使得激光雷达在自动驾驶技术发展之初就受到了青睐。2018年，奥迪A8提供了激光雷达选配选项，成为了全球首款搭载激光雷达的量产乘用车型，但由于当时世界各国对自动驾驶法规还未完善，因此在绝
标定相机内参标定主要看重投影误差，cv的标定识别率也太低了。。。原因是找到了，相机给的曝光时间5ms,增大曝光时间成功率大大提升，但曝光时间给打了，影响实时性，头疼。。livox_lidar_camera_calibration外参标定主要是3D-2D的标定采集标定数据参照以下采集标定数据和处理标定数据，pcd角点选取和图像角点选取：https://zhaohailong.blog.csdn.net/article/details/125736088?spm=1001.2014.3001.5502遇到livox_lidar_camera_calibration无法批处理转pcd：原因查出来是s
由于深度学习需要自己构造数据集，对于雷达和相机等多传感器融合数据，传感器标定是不可避免的，在前段时间学习了激光雷达和相机的联合标定，在此记录一下源码链接：GitHub-acfr/cam_lidar_calibration:(ITSC2021)Optimisingtheselectionofsamplesforrobustlidarcameracalibration.Thispackageestimatesthecalibrationparametersfromcameratolidarframe.(ITSC2021)Optimisingtheselectionofsamplesforrobus
0.简介对于现在的VSLAM而言，现在越来越多的工作开始聚焦于如何将深度学习结合到VSLAM当中，而最近的这个工作就给出了一个比较合适的方法。《Orbeez-SLAM:AReal-timeMonocularVisualSLAMwithORBFeaturesandNeRF-realizedMapping》这篇文章，可以轻松适应新的场景，而不需要预先训练，并实时为下游任务生成密集的地图。它成功地与隐式神经表示法(NERF)和视觉里程法相结合，实现了只需要RGB输入即可完成通过视觉信号执行复杂任务并与人类合作的空间人工智能。1.主要贡献本文试图开发一种单目视觉SLAM，它无需预训练，并实现实时推理，
