一、LIO_SAM对于intensity值使用解读 1.1 作为反射率给点云上色 1.2 作为关键帧的索引的使用 1.3 为什么索引还会是小数? 二、FAST_LIO对intensity值的使用 2.1 Livox雷达的(目标)反射率到底是什么? 2.2 用intensity提取车道线 2.3 用intensity对点云上色 三、激光语义(半)自动化提取 3.1 激光语义常见类别 ROS 的...
首先LIO_SAM加回环的主要原因,是它能够提供更多的约束,方便我们构建残差的约束; 但它的回环缺点在哪里呢?首先可了解本文2.1节所示;LIO_SAM的回环是搜索LocalMap时空外的激光点云,且在找到最近关键帧点云后,在它附近寻找2*historyKeyframeSearchNum(含有正负,所以乘以2)个关键帧点云,作为icp.setInputTarget(prevKey...
后续有很多研究者提出了各种改进方法提高LOAM在不同场景下的性能,如FAST-LIO使用EKF整合LiDAR和IMU的测量;LeGO-LOAM引入地面分割和回环检测进一步提高UGV的定位和建图性能;但其中效果较好的当属LIO-SAM,LIO-SAM是一种紧耦合的激光-惯性里程计方法,LIO-SAM可以说是LO的理想框架,其继承了LOAM特征检测和ICP匹配的稳定...
SLAM又有激光SLAM和视觉SLAM之分,其主要区别是所用传感器和获取数据不同。FAST-LIO算法就是属于激光SLAM。 02问题与方法 早在FAST-LIO之前,就已经出现了许多经典的激光SLAM算法,例如LOAM、 LeGO-LOAM等等,但文章的作者他们慢慢发现这些算法都或多或少得存在以下局限性: 1)激光雷达测量中的特征点通常是环境中的几何...
激光SLAM使用的激光雷达分为单线和多线激光雷达,(拼课 wwit1024) 单线激光雷达具有结构简单、扫描速度快、分辨率高、可靠性高、测量距离远、成本低、体积小便于集成等优势。在角频率和灵敏度反映方面,单线激光雷达比多线激光雷达更加快捷,所以,在测量周围障碍物的距离和精度上更加精确。但是,单线雷达只能平面式扫描...
BEV-LIO(LC) 基于 FAST-LIO2 中提出的紧密耦合的 iEKF 框架进行构建,用于点到平面配准。尽管 COIN-LIO 在 FAST-LIO2 的基础上通过光度误差最小化进行了扩展,但 BEV-LIO 引入了一种新颖的方法,通过 BEV 图像匹配来实现重投影误差最小化。由于 FAST-LIO2 已被广泛研究,我们将重点介绍 BEV-LIO 和 BEV-LIO...
在评估过程中,Fast-LIO2 和 LIO-SAM 失败了,因此未包含在结果中。Faster-LIO 每次经过楼梯时都出现显著的漂移,导致地图形成不正确,如图7b所示。DLIO 在楼梯上生成了不正确的建图,观察到来自不同楼层的关键帧错误匹配(图7c)。相比之下,如图7d所示,NV-LIO 清晰地描绘了每层楼的边界,即使在楼梯环境中也提供了...
LIO-SAM 提出了一个利用GT-SAM的紧耦合激光雷达惯导里程计的框架。实现了高精度、实时的移动机器人的轨迹估计和建图。在之前的博客讲解了imu如何进行预积分,最终以imu的频率发布了imu的预测位姿里程计。 本篇博客主要讲解,最终是如何进行位姿融合输出的
LIO-SAM 提出了一个利用GT-SAM的紧耦合激光雷达惯导里程计的框架。实现了高精度、实时的移动机器人的轨迹估计和建图。 其中特征提取节点在整体框架中如下: 功能就是订阅前节点发布的畸变校正后的点云,进行角点和面点的提取,然后再发布处理后的点云。
LIOSAM运行时需要注意以下几点：数据融合与紧耦合：确保高频IMU信息能够准确地对激光雷达点云进行畸变矫正，这是提高位姿计算精度的关键。IMU积分结果应作为当前帧点云的初始估计，以提升点云匹配的准确性。雷达里程计结果应被用于计算IMU偏差，以实现IMU里程计的持续校正。运动畸变矫正：仔细校准激光雷达在...