Loam-livox,Fast-Lio,LiLi-OM,览沃官方开源项目(LIO-Livox, livox-highway_slam, livox-mapping)。 说明:本综述仅对各项工作的点云预处理和点云配准部分(和激光雷达选型直接相关)进行概述;至于后续的 SLAM/LIO 算法流程等(和激光雷达无关的通用部分),本文不做讨论。 Loam_livox 论文链接:Loam_livox: A fast,...
不同于以前常见的旋转式雷达,livox雷达的SLAM会出现像vins-mono一样的转弯过快整个里程计错误,缺乏侧向约束导致公路上也会出现横滚方向误差,这个在mid40系列上特别明显。所以包括Loam-livox等很多论文也都提出了使用多雷达的必要性。包括林家荣的decentralized loam 和焦建浩的‘Robust Odometry and Mapping for Multi-Li...
参考文献 [1] Zhang J , Singh S . LOAM: Lidar Odometry and Mapping in Real-time[C]// Robotics: Science and Systems Conference. 2014. [2] Lin J , Zhang F . Loam_livox: A fast, robust, high-precision LiDAR odometry and mapping package for LiDARs of small FoV[J]. 2019. 本文仅做学...
很容易知道每个点采集的时间(自己计算或者激光雷达采集的时候该信息是可保存的),已经知道了上一帧最后一个点的采集时间t_k-1和当前帧最后一个点采集的时间是t_k,在这中间的当前帧的点采集的时间是t,令s=(t-t_k-1)/(t_k-t_k-1),所以t时刻的位姿是: 最后论文给出的建图的效果如下所示: 算法一:雷...
这主要源于LiLi-OM的统一融合方案,其中激光雷达和惯性测量直接融合。LIO-Mapping失去了对城市导航卫星数据集的跟踪,并为第一个UTBM序列提供了非常大的漂移。此外,它不能在推荐的配置下实时运行。由于该实现限制了扫描匹配中的迭代次数,以实现实时处理,因此LOAM还会在UTBM数据集上产生较大的跟踪误差。
最后论文给出的建图的效果如下所示: 算法一:雷达位姿优化 (1)计算线和线的误差 (2)计算面和面的误差 (3)利用两个特征迭代的优化位姿 (4)删除残差中最大的20% (5)在迭代中如果位姿收敛就break D.外点和运动物体剔除 在实际跑的时候避免不了会有动态的车、人及其他物体。本文的动态物体剔除算法是在每一次...
最后论文给出的建图的效果如下所示: 算法一:雷达位姿优化 (1)计算线和线的误差 (2)计算面和面的误差 (3)利用两个特征迭代的优化位姿 (4)删除残差中最大的20% (5)在迭代中如果位姿收敛就break D.外点和运动物体剔除 在实际跑的时候避免不了会有动态的车、人及其他物体。本文的动态物体剔除算法是在每一次...
论文名称 摘要 引言 相关工作 LOAM-Livox的论文有两篇,第一篇讲的是整个系统,第二篇是回环检测。 先研究第一篇:Loam livox: A fast, robust, high-precision LiDAR odometry and mapping package for LiDARs of small FoV 论文在github上给的地址下载很慢,通过找镜像的方法终于找到了。
一. 建图 先看看效果 针对上面的代码编译过程中,driver会遇到找不到的问题,但是没有关系,在livox_mapping项目的目录打开终端,在此终端下source livox_ros_driver的b… 阅读全文 【第一视角带你看铁路】铁路实时三维重建 Yusheng 武汉大学 大地测量学与测量工程博士 ...
最后论文给出的建图的效果如下所示: 算法一:雷达位姿优化 (1)计算线和线的误差 (2)计算面和面的误差 (3)利用两个特征迭代的优化位姿 (4)删除残差中最大的20% (5)在迭代中如果位姿收敛就break D.外点和运动物体剔除 在实际跑的时候避免不了会有动态的车、人及其他物体。本文的动态物体剔除算法是在每一次...