前面介绍FAST_LIO1中的反向和前向传播,实际上FAST_LIO2与FAST_LIO1的原理是一致的,现在深入到细节中去;感性地说一下,paper是抽象的,只能让我们了解到大概,但没办法深入到细节里去;但是代码却是可以深入到细节中去,但遗憾的是代码太细节了,没有宏观的概括性,所以二者需要相辅相成!AVIA雷达的运行图见[1],先...
FAST_LIO1 是在LINS基础上使用的是iESKF, 1.3 iEKF (迭代扩展卡尔曼滤波) 港大MarS实验室,先是将数学铺垫好,然后才是应用,比如2020年的论文[5]; R2LIVE是iEKF[6],证明它与高斯牛顿等价参考下面的文章[7] ,同时也再次印证了Mars实验室的研发是有整体框架设计的,虽然框架比较粗,但是大家的分工协作是有层次和...
FASTER-LIO作为FAST-LIO2的续作,通过一些处理将速率进一步提升,文中不使用复杂的基于树的结构来划分空间点云,而使用增量体素(iVox)作为我们的点云空间数据结构,它是从传统体素修改而来的,支持增量插入和并行近似k-NN查询。下面是一些文中的改进点:
FAST-LIO2(Fast Direct LiDAR-Inertial Odometry 2)是一种高效的雷达惯性里程计框架,它通过紧耦合误差状态卡尔曼滤波器实现IMU和激光雷达的数据融合。以下是对FAST-LIO2代码的详细解析: 1. 基础架构和代码结构 FAST-LIO2的代码结构清晰,主要包含两个文件夹:fast-lio和包含scan-context的回环检测与位姿图优化文件夹。
FAST-LIO2代码解析(六) 0. 简介 上一节我们将while内部的IKD-Tree部分全部讲完,下面将是最后一部分,关于后端优化更新的部分。 1. 迭代更新 最后一块主要做的就是,拿当前帧与IKD-Tree建立的地图算出的残差,然后去计算更新自己的位置,并将更新后的结果通过map_incremental函数插入到由ikd-Tree表示的映射中。
FAST-LIO2的状态估计是从FAST-LIO继承的紧耦合迭代卡尔曼滤波器,FAST-LIO2的流程如图1所示,顺序采样的激光雷达原始点首先在10ms(用于100Hz更新)和100ms(用于10Hz更新)之间的时间段内累积。累积的点云称为扫描数据,为了执行状态估计,新扫描中的点云通过紧耦合迭代卡尔曼滤波框架配准到大型局部地图中维护的地图点(...
简介:FAST-LIO2是一种基于紧耦合迭代卡尔曼滤波器的激光雷达惯性里程计系统,通过两大创新实现了快速、稳健和准确的导航。首先,它取消了特征提取步骤,直接配准原始点到地图,提高了匹配的精确性。其次,它采用增量k-d树数据结构维护地图,实现了高效的数据更新和查询。在多种激光雷达数据集上的实验证明,FAST-LIO2的计算...
FAST-LIO2涵盖流形、李群李代数、IMU积分 、雷达残差、卡尔曼滤波等多方位的知识,代码可读性好,学习FAST-LIO2有助于理解多传感器融合原理,夯实理论知识,提高实践能力。 经过周密准备,计算机视觉life联合上海交通大学博士王泽霖推出为期1个月的学习挑战赛,《快速入门激光雷达惯性SLAM-FastLio2》 ...
0. 简介现在越来越多的激光雷达方法如雨后春笋一般冒了出来,最近以FAST-LIO为代表的系列渐渐地被大众接受。而FAST-LIO2的工作越来越被大众所...