松灵机器人Scout mini小车运行lio-sam 在之前的工作中,我们已经实现了用小车搭载传感器,采用gmapping建图和navigation导航实现小车在2D环境中自主导航,但是实际我们采用的激光雷达多为三维激光雷达。因此决定采用lio-sam来建图。具体操作步骤如下。 1.下载雷达仿真 1
前段时间,群里面小伙伴儿再次建议我们用实车和真实传感器复现一次LIO_SAM。经过传感器筹集和准备,我们在楼下的公园再次做了一次实车实验。本次实验使用 NEOR mini阿克曼移动底盘以及相关的传感器复现了大佬(TixiaoShan)的开源 3D-SLAM建图方法——LIO_SAM。 02 NEOR mini 平台实现 LIO-SAM 建图 1 硬件配置 1.1 ...
作者使用帧-局部地图匹配代替LOAM的帧-全局地图匹配,提高了帧图匹配的效率(个人感觉这并不算一个新的创新点,因为作者在LeGO-LOAM中已经用了帧-局部地图匹配)。 图1. (a)操作员手持设备。(b)LIO-SAM使用激光和IMU数据的建图结果。 2. 研究背景 LOAM是目前为止激光里程计(LO)领域最经典最广泛使用的方法。但是...
两图可以明显对比,GNSS全局约束下建图后定位更加准确,因为第一张图的彩色点云块的中心为建筑内部,而实际测试的定位点在道路中。原因是上面分析的未加全局约束的轨迹有一定角度的偏移,如下: 而全局约束偏移较小: 且对于地图质量来说,全局约束下的地图质量更高,更少重影。 结论: 六轴比九轴更加可靠,且在GNSS全局...
二.具体网站 2.1 首先认真研读LIO_SAM作者在github中大家交流的issue,质量远胜过于CSDN和知乎,因为它是...
本文提出了一种基于平滑和建图的紧耦合激光雷达惯性里程计框架—LIO-SAM,实现了高精度、实时的移动机器人轨迹估计和地图构建任务,LIO-SAM在因子图上构建了激光雷达惯导里程计,允许将多源传感器(相对和绝对测量)作为因子纳入系统中,IMU预积分估计的运动消除了点云的倾斜问题,并产生了激光雷达里程计优化的初值。激光雷达...
建图优化会输出两种激光雷达的位姿: lidar 增量位姿 lidar 全局位姿 其中lidar 增量位姿就是 通过 lidar的匹配功能,优化出的帧间的相对位姿,通过相对位姿的累积,形成世界坐标系下的位姿 lidar全局位姿 则是在 帧间位姿的基础上,通过 回环检测,再次进行优化的 世界坐标系下的位姿,所以对于增量位姿,全局位姿更加精准 ...
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
实现了高精度、实时的移动机器人的轨迹估计和建图。 本篇博客重点解读LIO-SAM框架下IMU预积分功能数据初始化代码部分 LIO-SAM 的代码主要在其主目录内的src文件夹下的四个cpp文件,分别是: 每个cpp文件是一个独立的ROS节点,对应着下图的四个模块 lio-sam的所有文件即对应功能在下面做了如下总结: ...
我们提出了一种基于平滑和建图的紧耦合激光雷达惯性里程计框架—LIO-SAM,实现了高精度、实时的移动机器人轨迹估计和地图构建。LIO-SAM在因子图上构建了激光雷达惯性里程计,允许将多源传感器(相对和绝对测量)作为因子纳入系统。IMU预积分估计的运动消除了点云的倾斜,并产生了激光雷达里程计优化的初值。激光雷达里程计的...