lovely_yoshino的博客

Rolling-Bonxai：面向大规模环境的动态体素地图管理方案 本文提出了一种基于分块存储的稀疏体素地图管理系统Rolling-Bonxai，旨在解决机器人导航中大规模环境地图构建的内存与效率问题。该系统通过结合分层稀疏体素结构和动态分块机制，实现了27块固定缓存的滚动更新策略，确保机器人周围区域的地图数据始终在内存中。核心创新包括：1）采用Bonxai分层体素网格实现高效空间表达；2）设计基于邻域关系的块缓存动态更新算法；3）集成异步IO线程池实现非阻塞的磁盘持久化。实验表明，该系统在保持实时性的同时

本文提出了一种基于分支限界（BnB）算法的三维全局定位方法——3D-BBS，旨在通过单次三维激光雷达扫描实现快速且准确的全局定位。该方法扩展了现有的二维BBS算法，通过引入稀疏哈希表存储三维体素地图，显著减少了内存消耗。为提高处理效率，3D-BBS采用了一种高效的旋转-平移空间分支方法，并设计了批处理BnB算法以充分利用GPU的并行计算能力。实验结果表明，3D-BBS在模拟和真实环境中均表现出色，平均仅需878毫秒即可完成全局定位，且在准确性和速度上优于现有方法。主要贡献包括：提出批处理BnB算法、优化搜索

Kinematic-ICP 是一种 LiDAR 里程计方法，它将移动机器人运动的动力学约束显式地融入经典的点对点 ICP 算法中。之前我们在《》一文中介绍了其基本原理。这一篇文章中我们来看看对应的代码原理。

相机与激光雷达的外参标定是自动驾驶、机器人等领域的基础工作。精准的标定不仅有助于提高数据融合的效果，还能提升算法的整体性能。随着技术的发展，许多研究者和公司致力于开发高效的标定工具和算法，本文将对无目标标定和有目标标定两种主要的标定方法进行调研。

在本文提出了Kinematic-ICP，这是一种新颖的激光雷达里程计方法，明确将移动机器人的运动学约束融入经典的点对点ICP算法中。该方法利用单轮车运动模型的知识，估计与轮式移动平台的自然运动更加一致的里程计。自适应正则化机制使系统能够适应退化条件，确保在传统激光雷达里程计系统面临挑战的场景中（如特征稀疏环境）仍能保持稳健的性能。

在本文中，我们提出了GCSLAM，这是一种用于室内停车跟踪和地图构建的新型系统。GCSLAM结合了创新的因子图和新颖的误差项，使其能够在复杂的停车环境中实现稳健且高精度的地图构建。此外，我们开发了基于地图的定位子系统SF-Loc。SF-Loc基于一种新颖的因子图融合了配准结果和里程计位姿，有效提升了定位精度。我们通过真实世界的数据集验证了我们的算法，展示了系统的有效性和鲁棒性。

在现代野外机器人技术中，激光雷达-惯性里程计（LiDAR-Inertial Odometry, LIO）是核心技术之一。然而，LIO系统在紧急场景下的静止初始化特性却面临着严峻挑战，尤其是在高速公路自动驾驶或排爆机器人快速进入目标区域的情况下。本文介绍了一种新方法——D-LI-Init，通过动态初始化解决LIO在运动状态下的初始估计问题，提升了系统的鲁棒性和精度。图1：展示了机器人在现实场景中需要动态初始化的情况，以及使用最先进算法和我们的方法创建的点云地图。

精确的长期有效定位是机器人实现自主导航并与变化环境互动的关键，特别是在大规模、地下和工业探索等场景中。终生定位可以被视为一个多会话建图问题，其中给定的中央会话（例如图 1 中的会话 A）不断被利用和更新，同时为其他附属会话（例如图 1 中的会话 B 和 C）提供长期定位能力。。为了应对这些局限性，本文介绍一种多功能的基于图优化的长期定位框架，支持灵活的模式切换机制，称为。。

迭代最近点算法是激光雷达SLAM算法的重要组成部分。然而，在缺乏特征和几何结构的非结构化环境中，它的性能会受到负面影响，导致定位和映射的准确性低和鲁棒性差。众所周知，缺乏几何约束导致的退化会导致沿病态方向的6自由度姿态估计的误差。因此，需要更广泛和更细粒度的退化检测和处理方法。《LP-ICP: General Localizability-Aware Point Cloud Registration for Robust Localization in Extreme Unstructured Enviro

我们的框架实现了实时的照片级真实感地图构建。我们进行了数值实验，以评估我们的方法相较于最先进的三维重建系统的卓越性能。评估视频可在。

对于Grid Map来说，这个属于比较基础的一个功能。这部分里面的代码逻辑其实也不是很复杂。我们参考的是知乎上的一篇文章实现《》，并在此基础上扩展了自动建图和自动划窗这两个功能，弥补了之前代码中不能自动更新的问题。实际测下来算法耗时大概在10ms以下。下面我们就围绕我们的改动来展示我们的效果。

之前作者专门开过坑讲过Fast-LIVO的内容《经典文献阅读之–FAST-LIVO（Fast-LIO系列的激光视觉惯性里程计）》当时提到了论文当中的原理，当然这部分还是比较简略的。这里我们在这一篇文章中详细介绍下Fast_LIVO的具体流程。我们可以看到主要的代码集中在、以及这三个文件当中。下面我们分别来看这三个文件这个主程序代码实现了一个增强版的激光雷达里程计和实时建图算法，基于LOAM（Lidar Odometry and Mapping）。该实现包含以下几个主要部分：头文件和库的引入：代码引入了O

最近在尝试着看一些基于线特征的SLAM代码。传统的SLAM方法主要依赖于点特征（如角点、边缘等）进行地图构建和定位，但在一些低纹理或结构复杂的环境中，点特征的表现往往不尽如人意。因此，基于线特征的SLAM逐渐受到研究者的关注。线特征在城市环境和建筑物内部等场景中具有明显的优势，因为这些环境中存在大量的直线结构，如墙壁、楼梯和道路等。基于线特征的SLAM不仅能够提高定位精度，还能在相对较少的特征点情况下保持良好的性能。

在图论中，团 (Clique)是图中一个顶点的子集，使得子集中任意两个顶点都有一条边相连。换句话说，一个团是一个完全子图。

IMU可以与外部感知传感器（如LiDAR和摄像头）协作，这些传感器提供全局观测。由于微机电系统（MEMS）IMU体积小、成本低，SLAM系统可以增加更多的惯性传感器，以便进行故障检测或测量融合。大多数视觉-IMU融合系统。然而仿真实验表明，如果。目前，现有的MIMU外参标定方法需要获得精确的系统轨迹，这通常通过昂贵的转台或外部传感器（例如Kalibr）来估计。尽管这些算法在特定环境中表现良好，但受环境限制或额外设备限制。同时，在线估计传感器噪声仍然是一个挑战，限制了标定精度和计算效率。为此《

最近在开发相机和激光雷达融合的slam算法，主要用于三维重建，想实时的得到彩色点云地图。这里我们选择了视的工业相机和大疆的固态激光雷达。对于海康威视摄像头，我们可以使用PTP来对摄像头、雷达这些完成时间同步。

GICP作为一个比较便捷的类似即插即用的方法，其可以比较好的完成在一定误差范围内的收敛。为此这里我们来看一下怎么将GICP作为主要的定位方法来做整个定位方案的。网上的方案有两个比较清晰的方案以及这两个方法，对比这两个方法，第二个更全，而且我们加入了和SC分别完成了全局定位。

最近看到了一个项目，这个项目的代码思路以及规范个人觉得非常好，另外也想深入了解一下IG-PCL的流程，所以这里对这个项目进行学习了解。

Fast-lio2中，是使用ikd-tree以及ieskf来完成点云匹配的。我们这里想把相关的操作给提取出来，并以最小的函数调用来完成点云匹配，之前有一个Github项目重写了IESKF SLAM。这里我们就是基于这个项目来改出一个最简单的匹配算法。

图2展示了我们的处理流程。我们在世界坐标系中将轨迹表示为TtT(t)Tt，它由在区间titi1ti​ti1​上的连续线性段TiTi1Ti​Ti1​组成，Lie 群TiT_iTi​表示时间戳tit_iti​时的姿态。对于最新的 LiDAR 输入点云LcurrL_{curr}Lcurr​，首先使用主成分分析（PCA）技术评估LcurrL_{curr}Lcurr​与先前点云Lpre。

云处理、静态初始化、基于 ESIKF 的状态估计和动态点移除。云处理模块将地面点从当前输入的点云数据中分离出来，并为每个三维点分配标签，指示其为“地面点”或“非地面点”。随后，它执行空间下采样，以确保当前点云的均匀密度。静态初始化模块利用 IMU 测量来估计一些状态参数，如重力加速度、加速度计偏差、陀螺仪偏差和初始速度。基于 ESIKF 的状态估计模块估计当前扫描的状态，其执行过程与 SR-LIO [24] 的状态估计模块完全一致。在点云配准过程中，所有最近邻查询操作均在跟踪地图上进行。

和上一篇文章一样的作者，还有一篇开源的项目是。这个项目的代码思路以及规范个人觉得非常好，另外也想深入了解一下IG-PCL的流程，所以这里对这个项目进行学习了解.

之前在中提到了使用evo来完成轨迹的评价，当时提到evo需要通过安装，并需要指定的数据类型结构才能完成绘制。这对于使用SLAM来说是比较方便的，但是如果想要自定义的话还是比较繁琐的。我们在这EVO评定工具，这可以拿到绝对轨迹误差(ATE)、相对轨迹误差(RPE)、均方根误差（RMSE）。

CSM在Cartographer中是比较基础且非常适合拓展的功能。他主要的步骤如下图。主要实现的步骤为：1）获取先验位姿，通过TF获取里程计的值，作为当前scan的预测位姿，将这个预测位姿当做扫描匹配的先验。2）使用滑动窗口法来生成局部地图；Karto使用了一个队列保存最近24米范围内的所有雷达数据，通过将滑动窗口内的所有雷达数据写成分辨率为0.01m的栅格地图，这样就生成了局部地图。3）通过暴力求解的方式，遍历一定范围内所有的平移与旋转的位姿，选出得分最大的一个位姿。

KF-GINS 是武大 i2Nav 实验室开源的一套松组合导航程序；可以读取 IMU 数据文件、GNSS 结果文件，进行松组合解算，计算位置、速度、姿态、陀螺仪零偏、加速度计零偏、陀螺仪比例、加速度计比力，共 21 维状态向量。代码量小，有详细的文档、注释和讲解，代码结构很好理解，有一些可以学习的工程技巧。Rotation、Earth、Angle 里面都只是写了静态函数，没有用到相关的字段，也可以写成命名空间。写命名空间的话，在源文件开头 using 之后，可以省略前面的。

对于预积分而言，其实博主之前详细解释过《》这部分代码含义。这里我们分别对预积分（IMU+Wheel）与这部分代码进行代码理解与使用。

同样是项目需求，需要利用视觉惯性导航做一些开发，所以第一步先做些算法的测试–仿真与实物测验，通过仿真的测试结果，最终是决定使用ORB-SLAM3来完成任务。这里我们选择了realscene D435作为双目相机。详细的kalibr标定流程在查到。

现有的激光雷达标定框架主要使用迭代最近点(ICP)及其变体等非概率配准方法。由于它们的成对配准过程以及对初始化和参数化的敏感性，这些方法的结果存在偏差。这通常会导致校准过程中的不校准。概率配准方法通过专门模拟观测值的概率性质来弥补这些缺点。》提出了一种基于目标的多激光雷达系统外参自动标定方法GMMCalib。使用基于高斯混合模型(GMM)的配准方法实现，允许多个点云的联合配准，将这种数据驱动的方法与ICP算法进行比较。相关的代码已经在上开源了。

本文介绍了一种名为Switch-SLAM的基于切换的激光雷达-惯性-视觉SLAM系统，该系统专为退化环境设计，旨在解决激光雷达和视觉SLAM在退化环境中面临的挑战。当检测到激光雷达里程计退化时，Switch-SLAM通过利用从激光雷达到视觉里程计的切换结构，实现了高鲁棒性和准确性。为了有效检测退化，Switch-SLAM采用了一种非启发式退化检测方法，该方法无需启发式调整，并在各种环境中表现出良好的泛化能力。本文在包含激光雷达和视觉里程计退化场景的多个数据集上对Switch-SLAM进行了评估。

系统的工作流程如图2所示。给定顺序的激光雷达（LiDAR）扫描输入，SLIM 首先根据几何特性将原始 LiDAR 点云转换为线和面的表示。这些参数化的表示紧凑且易于后续任务处理。线和面通过 LiDAR 里程计或其他机载里程计积累，形成轻量级地图中的特征点。为了合并多次地图，SLIM 利用位置识别和局部位姿估计。尽管地图被统一在同一坐标系中，来自里程计的漂移仍然存在。SLIM 通过基于参数化线和面的粗到细的方式来实现地图优化（平滑）。随着地图合并次数的增加，引入了一种。

双目VI-SLAM初始化方法分为两种类型：联合方法和分离方法。。分离方法首先，其准确性在很大程度上取决于纯视觉SLAM的性能。即使在ORB-SLAM3这样的最新双目VI-SLAM系统中，也假设在相邻帧之间有足够的基线和轻微的旋转的情况下，进行准确的相机轨迹估计。为此一文提出了一种准确而稳健的双目视觉惯性SLAM系统初始化方法。与当前最先进的方法不同，后者严重依赖于纯视觉SLAM系统的准确性来估计惯性变量，而不更新相机姿态，这可能会影响准确性和稳健性，我们的方法提供了一种不同的解决方案。

协作同时定位与建图（CSLAM）对于使多个机器人能够在复杂环境中操作至关重要。。此外，这些测量和低级特征在机器人之间的交换需要传输大量数据，这限制了系统的可扩展性。为了克服这些限制，《》提出了Multi S-Graphs，一个去中心化的CSLAM系统，，同时最小化机器人之间交换的信息量。为此，我们提出了一种新颖的，解决多机器人绑架问题初始化的挑战。在模拟和真实环境中的多次实验验证了所提方法在提高精度和鲁棒性方面的改进，同时与其他最先进方法相比，减少了机器人之间交换的数据量。相关软件可以在中找到。

好久都没有看到比较条理清晰的开源项目了，这个项目目前看来有作为记忆行车这类比较火的项目的前提。虽然特征比较少，但是作为建图和定位来说还是基本可以胜任的。这一篇文章我们将着重来看一下整个代码的逻辑，相关的代码注释以及详细内容已经在Github上开源了。由于作者能力有限，欢迎大家一起来讨论轻量级道路特征地图（开源了）用于道路检测和地图构建的模块，主要利用Eigen和OpenCV库来处理相机数据和图像数据，实现道路特征的识别和管理。代码的核心功能包括传感器配置、道路实例补丁的定义与处理、帧与地图的管理和融合。首先

基于 LiDAR 的路标检测被广泛应用于高精地图的生成，但这些方法通常是离线处理的，处理密集点云数据非常耗时，因此不适用于实时环境感知和定位。现有研究中的实时感知方法通常通过阈值化单次 LiDAR 扫描中的测量强度来检测路标。然而，单次扫描方法在检测完整的路标时面临挑战，因为 LiDAR 测量点的稀疏性使得检测结果容易受到噪声影响，缺乏鲁棒性。一些研究通过累积多次扫描帧的路面点，并应用固定强度阈值来隔离路标点，这种方法提高了定位精度，但对环境条件和传感器类型变化的敏感性较高。深度学习方法在路标检测任务中被广

VIPS-Odom是一种新颖的紧耦合 SLAM 系统，融合了惯性测量单元、轮速传感器和四个环视鱼眼摄像头的测量数据，实现了高精度且稳定的定位。其实时检测 BEV 图像中的停车位，可靠地维护观察到的停车位状态，并同时将停车位观察结果作为前端视觉特征和后端优化因子，提升定位精度。该方法还开发了一个相关传感器套件的实验平台，用于评估 VIPS-Odom 的性能。覆盖短距离和长距离停车场景的大量现实世界实验反映了相对于其他基准方法的有效性和稳定性。改进点尚未将闭环检测模块纳入系统。

介绍了一种集成的精确激光雷达、惯性和视觉（LIV）多模态传感器融合映射系统，该系统基于可微表面散斑技术，提高了映射的保真度、质量和结构准确性。值得注意的是，这也是一种用于激光雷达-视觉-惯性传感器融合的紧密耦合映射的新形式。该系统利用激光雷达和视觉数据的互补特性，捕获大规模三维场景的几何结构，并以高保真度恢复其视觉表面信息。使用激光雷达-惯性系统并采用尺寸自适应体素获得表面高斯场景的初始姿态。然后，我们通过视觉导出的光度梯度对高斯进行优化和精细化，以优化激光雷达测量的质量和密度。

上述实验结果表明，从俯视图的角度来看，节点、建筑物和车道的学习难度逐步降低，而它们在环境中的组成比例逐步增加，因此它们在定位中的重要性也逐步增加。BEV空间中的自车感知范围被定义为[−64m，64m，0.5mpp]的纵向轴和[−32m，32m，0.5mpp]的横向轴，深度分布的bins范围为[4m，60m，1mpp]。地图编码阶段，使用VGG-16主干来编码地图特征，与BEV模块类似，在地图解码器的不同阶段，也提取了粗细两层级地图特征，用于后续的层级特征配准。这些要素的空间排列为定位提供了重要的几何约束。

Posted on 2023-02-18 Edited on 2024-07-11 In vslam Views:ω∧=[ω_1ω_2ω_3]∧=[0−ω_3ω_2ω_30−ω_1−ω_2ω_10]=WW∨=[0−ω_3ω_2ω_30−ω_1−ω_2ω_10]∨=[ω_1ω_2ω_3]=ω\mathbf{\omega}^{\wedge}=\begin{bmatrix}\omega\_1\\ \omega\_2\\ \omega\_3\end{bmatrix}^{\wedge}=\begin{bmatrix}

准确度和计算效率往往是用来评估视觉惯性导航系统的两大指标，目前现有的大部分VINS系统要么精度高，计算量却很大；要么计算量低，但是精度也很低。因此很难在资源受限的系统上提供准确的定位，为了解决这个问题，本文提出了SchurVINS，一种基于滤波的视觉惯性系统，综合考量了视觉残差，同时通过Schur操作降低计算复杂度，使得精度和效率的得到了良好的平衡，并在Euroc和TUM-VI数据集上做了充分的实验，和最先进的算法进行了比较，表现十分优异。

个人在想在长期执行的SLAM程序时，当场景发生替换时，激光SLAM如何有效的更新或者替换地图是非常关键的。在看了很多Life-Long的文章后，个人觉得可以按照以下思路去做。这里可以给大家分享一下。