Citations：F.Wimbauer,N.Yang,L.vonStumberg,etal.MonoRec:Semi-SupervisedDenseReconstructioninDynamicEnvironmentsfromaSingleMovingCamera[C].2021IEEE/CVFConferenceonComputerVisionandPatternRecognition(CVPR).Nashville,TN,USA.2021:6108-6118.Keywords：Training,Costs,Three-dimensionaldisplays,Volumemeasureme
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-机器人底盘第7章-SLAM中的数学基础 7.1SLAM发展简史 7.2SLAM中的概率理论 7.3估计理论 7.4基于贝叶斯网络的状态估计 7.5基于因子图的状态估计 7.6SFM、BA和SLAM比较 7.7典型SLAM算法第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
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-机器人底盘第7章-SLAM中的数学基础 7.1SLAM发展简史 7.2SLAM中的概率理论 7.3估计理论 7.4基于贝叶斯网络的状态估计 7.5基于因子图的状态估计 7.6SFM、BA和SLAM比较 7.7典型SLAM算法第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
本系列往期文章：【3D激光SLAM（一）】Velodyne激光SLAM学习之Velodyne-16线雷达室内建图基本使用_Canminem的博客-CSDN博客_velodyne16线激光雷达【3D激光SLAM(二)】Velodyne激光SLAM学习之Velodyne-16线激光雷达在JetsonNano上的配置使用_Canminem的博客-CSDN博客_velodyne激光雷达驱动【3D激光SLAM(三)】Velodyne激光SLAM学习之激光雷达+IMU内参标定_Canminem的博客-CSDN博客_imu激光雷达 一、标定所使用设备激光雷达：velodyne16线激光雷达IMU：来自Pix
本系列往期文章：【3D激光SLAM（一）】Velodyne激光SLAM学习之Velodyne-16线雷达室内建图基本使用_Canminem的博客-CSDN博客_velodyne16线激光雷达【3D激光SLAM(二)】Velodyne激光SLAM学习之Velodyne-16线激光雷达在JetsonNano上的配置使用_Canminem的博客-CSDN博客_velodyne激光雷达驱动【3D激光SLAM(三)】Velodyne激光SLAM学习之激光雷达+IMU内参标定_Canminem的博客-CSDN博客_imu激光雷达 一、标定所使用设备激光雷达：velodyne16线激光雷达IMU：来自Pix
通用的代价地图配置参数: costmap_common_params.yamlmax_obstacle_height:2.0#传感器读数的最大有效高度，单位为meters;#通常设置为略高于机器人的实际高度，高度是指包含机械臂打直情况下的最大高度。#robot_radius:0.4#如果机器人圆形的，注释下面的一行，开启这个footprint:[[-0.133,-0.125],[-0.133,0.125],[0.133,0.125],[0.133,-0.125]]#[[x0,y0],[x1,y1],...[xn,yn]]#当机器人非圆形时，先找机器人的旋转中心，即两个轮的中心点设置成(0,0)
通用的代价地图配置参数: costmap_common_params.yamlmax_obstacle_height:2.0#传感器读数的最大有效高度，单位为meters;#通常设置为略高于机器人的实际高度，高度是指包含机械臂打直情况下的最大高度。#robot_radius:0.4#如果机器人圆形的，注释下面的一行，开启这个footprint:[[-0.133,-0.125],[-0.133,0.125],[0.133,0.125],[0.133,-0.125]]#[[x0,y0],[x1,y1],...[xn,yn]]#当机器人非圆形时，先找机器人的旋转中心，即两个轮的中心点设置成(0,0)
目录写在前面总体流程分块解释IMU数据接收和发布车轮编码器数据接收和发布数据融合——robot_localization概括使用cartographer订阅效果写在前面之前写了一篇ROS2+cartorgrapher+激光雷达建图并保存，但是由于其只对激光雷达的数据进行订阅，这就导致了其建图在室内会有一个较好的效果(但是也会出现偏差)，在室外完全无法使用。究其原因，是因为只用激光雷达且没有比较明显的建筑障碍物的话，cartographer很难计算出一个比较精准的位置和朝向。因此，为了达到一个更好的建图效果，我们使用了robot_localization包，对IMU和里程计的数据进行融合，并将其
目录写在前面总体流程分块解释IMU数据接收和发布车轮编码器数据接收和发布数据融合——robot_localization概括使用cartographer订阅效果写在前面之前写了一篇ROS2+cartorgrapher+激光雷达建图并保存，但是由于其只对激光雷达的数据进行订阅，这就导致了其建图在室内会有一个较好的效果(但是也会出现偏差)，在室外完全无法使用。究其原因，是因为只用激光雷达且没有比较明显的建筑障碍物的话，cartographer很难计算出一个比较精准的位置和朝向。因此，为了达到一个更好的建图效果，我们使用了robot_localization包，对IMU和里程计的数据进行融合，并将其
安装ORB-SLAM3教程一、ROS一键安装（首次学ROS的话）二、ORB_SLAM3所依赖的包有pangolin,EIGEN3,OPENCV，DBoW2和g2o1、安装工具2、安装EIGEN3.3.43.安装pangolin0.6(1)安装依赖(2)获得pangolin的稳定版本安装包(3)编译安装(4)报错(5)测试4.安装opencv3.4.25.DBoW2和g2o三、（非ROS）编译ORB_slam31.下载源码2.编译(1)编译Thirdparty/DBoW2(2)编译Thirdparty/g2o(3)编译Thirdparty/Sophus(4)解压/ORB_SLAM3/Vocabu
