系列文章目录·【3D激光SLAM】LOAM源代码解析–scanRegistration.cpp·【3D激光SLAM】LOAM源代码解析–laserOdometry.cpp·【3D激光SLAM】LOAM源代码解析–laserMapping.cpp·【3D激光SLAM】LOAM源代码解析–transformMaintenance.cpp写在前面本系列文章将对LOAM源代码进行讲解，在讲解过程中，涉及到论文中提到的部分，会结合论文以及我自己的理解进行解读，尤其是对于其中坐标变换的部分，将会进行详细的讲解。本来是懒得写的，一个是怕自己以后忘了，另外是我在学习过程中，其实没有感觉哪一个博主能讲解的通篇都
文章目录1.1激光雷达硬件平台1.2激光雷达原理1.3三维激光系统研发难点1.4点云应用方向1.5点云分类，点云分割，点云特征提取（pointnet++）1.6点云补全（PF-Net）1.7点云配准（RPM-Net）1.8点云算法项目应用1.1激光雷达硬件平台1.2激光雷达原理脉冲式激光测距由激光发射器发射出的激光经被测量物体的反射后又被接收。测距仪同时记录激光往返的时间。光速和往返时间的乘积的一半就是测距仪和被测量物体之间的距离，设备记录本身在水平和垂直方向的旋转角度，再通过软件，计算出三维数据。相位式激光测距是通过测量调制的激光信号在待测距离上往返传播所形成的相位移，间接测出激光传播时间(
现在的激光雷达与相机的标定程序基本都是Ubuntu框架下面的，并且都是C++代码，需要安装的依赖也比较复杂，于是自己写了一个python版本的标定程序，依赖非常简单，Windows系统也可以运行。并且代码简单一个文件搞定，符合python简单易行的风格。先上最后标定后的效果图：标定的思路比较简单：1 手动在图像上面选取N个标定点2手动在点云上选取N个标定点（每个点都对应图像上的点，顺序也要一致）3 通过PNP方法计算出二者的旋转投影矩阵，也就是外参矩阵第一步的示意图：第二步的示意图：最后，上代码：
本文经自动驾驶之心公众号授权转载，转载请联系出处。论文思路：maskedautoencoding已经成为文本、图像和最近的点云的Transformer模型的一个成功的预训练范例。原始的汽车数据集适合进行自监督的预训练，因为与3D目标检测(OD)等任务的标注相比，它们的收集成本通常较低。然而，针对点云的maskedautoencoders的开发仅仅集中在合成和室内数据上。因此，现有的方法已经将它们的表示和模型定制为小而稠密的点云，具有均匀的点密度。在这项工作中，本文研究了在汽车设置中对点云进行的maskedautoencoding，这些点云是稀疏的，并且在同一场景中，点云的密度在不同的物体之间可
大家好呀，我是一个SLAM方向的在读博士，深知SLAM学习过程一路走来的坎坷，也十分感谢各位大佬的优质文章和源码。随着知识的越来越多，越来越细，我准备整理一个自己的激光SLAM学习笔记专栏，从0带大家快速上手激光SLAM，也方便想入门SLAM的同学和小白学习参考，相信看完会有一定的收获。如有不对的地方欢迎指出，欢迎各位大佬交流讨论，一起进步。 目录一、std_msgs1.1简介1.2基本类别1.3使用模板二、geometry_msgs2.1简介2.2基本类别2.3 使用模板三、sensor_msgs3.1简介3.2基本类别3.3使用模板四、shape_msgs4.1简介4.2基本类别4.3使
https://f.daixianiu.cn/csdn/9499401684344864.htmlimu与lidar标定https://github.com/PJLab-ADG/SensorsCalibration/blob/master/lidar2imu/README.md多雷达标定https://f.daixianiu.cn/csdn/3885826454722603.htmlrosusb相机内参标定ROS系统-摄像头标定cameracalibration_berry丶的博客-CSDN博客
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 4.1惯性测量单元 4.2激光雷达 4.3相机 4.4带编码器的减速电机第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导航综合实战每当说起雷达，很多人可能想到的就是军事领域探测敌机那种庞然大物。其实，雷达是指利用探测介质探测物体距离的设备，比
2023年2月重要补充这个代码我个人觉得不好用且坑太多，所以后来换了一个。推荐大家用新的代码。详见更新的一篇博客总结：【学习总结】激光雷达与相机外参标定：代码（cam_lidar_calibration）这一周多学习并调试了激光雷达和相机外参标定的代码，踩了一堆坑，特此记录。0.参考资料：代码来源：https://github.com/ankitdhall/lidar_camera_calibration参考论文：LiDAR-CameraCalibrationusing3D-3DPointcorrespondences修改后的代码：https://github.com/LarryDong/li
2023年2月重要补充这个代码我个人觉得不好用且坑太多，所以后来换了一个。推荐大家用新的代码。详见更新的一篇博客总结：【学习总结】激光雷达与相机外参标定：代码（cam_lidar_calibration）这一周多学习并调试了激光雷达和相机外参标定的代码，踩了一堆坑，特此记录。0.参考资料：代码来源：https://github.com/ankitdhall/lidar_camera_calibration参考论文：LiDAR-CameraCalibrationusing3D-3DPointcorrespondences修改后的代码：https://github.com/LarryDong/li
0.简介作为激光里程计，常用的方法一般是特征点法或者体素法，最近Mars实验室发表了一篇文章《EfficientandProbabilisticAdaptiveVoxelMappingforAccurateOnlineLiDAROdometry》，同时还开源了代码在Github上。文中为雷达里程计提出了一种高效的概率自适应体素建图方法。地图是体素的集合，每个体素包含一个平面（或边缘）特征能够实现对环境的概率表示和新的激光雷达帧的精确配准。我们进一步分析了对粗到细体素建图的需要，然后使用了新颖的使用哈希表组织体素地图和八叉树来有效地构建和更新地图。我们将所提出的体素建图应用于一个迭代扩展卡尔曼滤
