用地面小车在可变地形上采集的数据,和LOAM进行比较,LeGO-LOAM在降低计算量的同时达到了相似或更好的精度。 把LeGO-LOAM集成到一个SLAM的框架里面去,用关键帧的概念对后端进行一个管理,来消除累计误差,用回环检测的方法(LOAM没有的部分)---后端部分。 简介部分 技术背景: 地图构建和状态估计是智能机器人中很重要的...
LeGO-LOAM是地面优化的,因为它在分割和优化步骤中利用了地面平面的存在。我们首先应用点云分割滤除噪声,并进行特征提取以获得有特色的平面和边缘特征。然后,提出了一种两步LM优化方法,利用平面和边缘特征来求解跨连续扫描的六自由度变换的不同分量。我们使用从地面车辆的可变地形环境中收集的数据集比较了LeGO - LOAM...
LOAM是一种低漂移并且实时的激光雷达里程计和建图的方法 LOAM是通过提取角点和面点建立约束,来求取帧间的位姿变换。特征点是通过计算点的曲率进行判断的 LOAM的实时性是通过将估计问题分成了两个独立的算法进行,一种算法以高频运行,低精度估计传感器运动。另一种算法运行频率...
LeGO-LOAM是轻量级的,因为它能够在低功率的嵌入式系统上实现实时的位姿估计。LeGO-LOAM是基于地面优化的,因为它在分割和优化阶段中利用了地面的性质。本文首先应用点云分割来滤除噪声,并通过特征提取来获得可区分的平面特征和边缘特征。一个两步的Levenberg-Marquardt优化方法接着使用提取到的平面特征和边缘特征来求解...
3D激光SLAM:LeGO-LOAM论文解读---系统概述部分部分 系统框架 原文 系统框架 整体框架如下: 输入:三维激光点云 输出:六自由度位姿估计 整个系统可以分为五个模块: 分割:指获取单次扫描的点云,并将其投影到距离图像上进行分割。161800个点用cvmat来对点进行初步管理* ...
3D激光SLAM:LeGO-LOAM论文解读---实验对比 实验对比 户外小场景下 户外大场景 实验对比 户外小场景下 户外的小场景,其中 i是一个树 ii 石头墙 iii UGV LOAM把一些树叶提取成了面点,这种面点很不稳定 LeGO-LOAM通过距离滤波的方式把树叶去除了 LOAM把草地上的草提取成了角点,这种角点也不稳定 ...
论文认为loam系列文章存在一些问题:将其数据保存在全局体素地图中,难以执行闭环检测;没有结合其他绝对测量(GPS,指南针等);当该体素地图变得密集时,在线优化过程的效率降低。 为此作者决定使用因子图的思想优化激光SLAM,引入四种因子:IMU预积分因子;激光雷达里程因子;GPS因...
LeGO-LOAM是以LOAM为框架而衍生出来的新的框架。其与LOAM相比,更改了特征点的提取形式,添加了后端优化,因此,构建出来的地图就更加的完善。 本文将先针对LeGO-LOAM进行原理的深度解析,然后再对比LOAM和LeGO-LOAM的区别和联系。 论文:https://ieeexplore.ieee.org/abstract/document/8594299 ...
计算子图中每一行的点的曲率值,对曲率值进行排序分类,> Cth,分为边缘点特征;< Cth 分为面点特征。设置以下几个集合(论文中这部分语句相近,以下是我个人的理解,可能不准确): C. Lidar Odometry 1)Label Matching:LeGO-LOAM对点云进行了聚类分簇,不同的点云簇具有不同的Label。Label 信息可以作为两帧匹配的约...
论文认为loam系列文章存在一些问题:将其数据保存在全局体素地图中,难以执行闭环检测;没有结合其他绝对测量(GPS,指南针等);当该体素地图变得密集时,在线优化过程的效率降低。为此作者决定使用因子图的思想优化激光SLAM,引入四种因子:IMU预积分因子;激光雷达里程因子;GPS因子;闭环因子。下面是文章中主要的贡献点。