- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
视觉slam和激光slam结合_视觉slam和激光slam
激光 SLAM： 早在 2005 年的时候，激光 SLAM 就已经被研究的比较透彻，框架也已初步确定。激光 SLAM，是目前最稳定、最主流的定位导航方法。 ，再通过累计位姿变化来计算距离物体的距离，并进行定位与地图构建； 视觉SLAM和激光SLAM的对比 一直以来，不管是产业界还是学术界，对激光 SLAM 和 VSLAM 到底谁更胜一筹，谁是未来的主流趋势这一问题 下面就简单从几个方面对比了一下激光 SLAM 和 VSLAM。 而激光 SLAM 目前主要被应用在室内，用来进行地图构建和导航工作。 地图精度 激光 SLAM 在构建地图的时候，精度较高；VSLAM，比如常见的，大家也用的非常多的深度摄像机 Kinect，（测距范围在 3-12m 之间），地图构建精度约 3cm；所以激光 SLAM 构建的地图精度一般来说比
1.4K31编辑于 2022-09-23 - 来自专栏全栈程序员必看
激光slam认知_激光slam的优缺点
slam介绍 什么是slam？ 分类 根据建图时所用的传感器的不同，可将现有的slam算法分为两类： 激光slam 视觉slam 机器人必备条件 硬件要求 差分轮式机器人，可使用Twist速度指令控制 linear：XYZ方向的线速度 ，单位是m/s angular：XYZ方向上的角速度，单位是rad/s 机器人必须安装激光雷达等测距设备，可以获取环境深度信息 最好使用正方形和圆形的机器人，其他外形的机器人虽然可以正常使用，但是效果可能不佳 深度信息 激光雷达扫描信息： angle_min：可检测范围的起始角度 angle_max：可检测范围的终止角度，与angle_min组成激光雷达的可检测范围 angle_increment：相邻数据帧之间的角度步长 算法实现 hector_slam功能包 基于激光雷达 高斯牛顿方法 二维栅格地图 不需要里程计数据 输出地图话题：nav_msgs/OccupancyGrid 总体框架 安装hector_slam
1.3K31编辑于 2022-09-24 - 来自专栏全栈程序员必看
激光SLAM算法学习（一）——激光SLAM简介
激光SLAM算法学习（一） 激光SLAM简介 1、SLAM是什么 SLAM是同步定位与地图构建(Simultaneous Localization And Mapping)的缩写，最早由Hugh Durrant-Whyte ) Node：机器人的位姿 Edge：节点之间的空间约束关系 Graph：表示SLAM的过程 激光SLAM包含图优化前与图优化后的地图。 图优化前： 图优化后： 4、激光SLAM Filter-based SLAM： ?(? ? ,?|? 1:? ,? 1:? Prediction) 进行测量(Measurement) 数据关联(Data Association) 状态预测(State Prediction) 传感器数据包括： 惯性测量单元(IMU) 激光雷达 (Lidar) 轮式里程计(Wheel Odometry) 地图类型： 覆盖栅格地图(Occupany Grid Map) 点云地图 激光SLAM帧间匹配算法： ICP(Iterative
9.3K31编辑于 2022-07-04 - 来自专栏全栈程序员必看
激光slam综述_SLAM算法
大家好，又见面了，我是你们的朋友全栈君 ---- 目录 1. 3D激光SLAM简介 2. 3D激光雷达SLAM 3. 高精度V-LOAM方案 4 发展趋势 ---- 1. 3D激光SLAM简介 在 3D 激光 SLAM 领域中， 由 Zhang J 等人提出的LOAM 方案，利用 3D 激光雷达采集数据， 进行基于特征点的扫描匹配 2. 3D激光雷达SLAM 3. 高精度V-LOAM方案 为了进一步改进 LOAM 方案的， Zhang J 等人提出视觉结合 3D 激光雷达实时建图的 V-LOAM 方案。 4 发展趋势 几种激光SLAM算法对比： 面对复杂的周围环境，多传感器融合的SLAM是必然趋势。视觉会提供高精度的里程计以及信息量丰富的地图信息，激光雷达为视觉特征提供准确的深度信息。 在提高SLAM算法鲁棒性方面，需要考虑里程计的标定、激光雷达的外参与时间戳标定、激光雷达运动畸变的去除等数据处理过程，同时针对退化环境、全局定位、动态环境定位等问题还有待完善。
1.3K30编辑于 2022-09-23 - 来自专栏全栈程序员必看
激光SLAM流程_激光打眼
基于环境自然导航的激光导航叉车AGV中，机器人在运动过程中通过编码器结合IMU计算得到里程计信息，运用机器人的运动模型得到机器人的位姿初估计，然后通过机器人装载的激光传感器获取的激光数据结合观测模型（激光的扫描匹配 ）对机器人位姿进行精确修正，得到机器人的精确定位，最后在精确定位的基础上，将激光数据添加到栅格地图中，反复如此，机器人在环境中运动，最终完成整个场景地图的构建。 叉车AGV运动过程中，通过里程计信息结合激光传感器获取的激光数据与地图进行匹配，不断地实时获取AGV在地图中的精确位姿，同时，根据当前位置与任务目的地进行路径规划（动态路线或者固定路线，且每次的路线都略微不同 对于SLAM来说，规划区域一般为用来进行定位的地图，在初始化时，将需要设置的特定数量粒子均匀的撒满整张地图。 在SLAM中权重计算方式有很多，比如机器人行走过程中，激光雷达或者深度摄像头会返回周围位置信息，如果这些信息与期望值相差较大，亦或者在运动中某些粒子本应该没有碰到障碍或者边界，然而在运算中却到达甚至穿过了障碍点或边界
68550编辑于 2022-09-23 - 来自专栏全栈程序员必看
激光SLAM原理_激光打标机
在机器人定位导航中，目前主要涉及到激光SLAM与视觉SLAM，激光SLAM在理论、技术和产品落地上都较为成熟，因而成为现下最为主流的定位导航方式，在家用扫地机器人及商用送餐机器人等服务机器人中普遍采用了激光 SLAM技术。 一般来说，除了激光雷达，深度摄像头、超声波等传感器在进行SLAM时，也可使用该地图。 思岚科技的SLAMWARE系统内部就是采用了这种地图。 作为激光SLAM界最具代表性的产品，SLAMWARE能直接完成地图的构建、自主路径规划及运动行走控制，无需额外计算，用户可以方便的在系统中集成。 利用激光SLAM技术，机器人可在未知或已知环境中，构建精准的环境地图信息，实现机器人的自主定位，当有了环境地图和位姿后，机器人就可进行自主导航及避障了。
36120编辑于 2022-09-24 - 来自专栏书山有路勤为径
激光SLAM概述
激光SLAM的pipeline 激光雷达去畸变 激光帧间（核心算法）|前端匹配 激光回环检测 非线性最小二乘优化（后端优化） 数据处理 激光雷达运动畸变去除 里程计数据矫正 帧间匹配算法 ICP（Iterrative Transformation) CSM(Correlation Scan Match) 回环检测 Scan -to-Scan Scan-to-Map Map-to-Map 后端优化 高斯牛顿方法 LM方法 2D激光 SLAM的发展 Filter-based EKF-SLAM FastSLAM Gmapping Optimal RBpf Graph-based Globally Consistent Range Scan For Environment Mapping----97 Incremental Mapping of Large Cyclic Environments----99 Karto SLAM----10 Cartographer----16 数据的预处理--非常重要 轮式里程计的标定 激光雷达运动畸变去除 不同系统之间的时间同步 实际环境中的问题 动态物体 环境变化 几何结构相似环境 建图的操作复杂
2.1K31发布于 2019-07-10 - 来自专栏全栈程序员必看
激光slam综述_SLAM是什么
什么是slam 技术 slam (Simultaneous Localization and Mapping)叫即时定位与建图，它主要的作用是让机器人在未知的环境中，完成定位（Localization 激光slam简要介绍 主流的slam技术应用有两种，分别是激光slam(基于激光雷达lidar 来建图导航)和视觉slam(vslam,基于单/双目摄像头视觉建图导航)，在此主要先介绍激光slam ，它有分为基于滤波的 filter-based 的SLAM，和基于图优化Graph-based的SLAM 基于滤波框架slam: 卡尔曼滤波 : EKF UKF EIF 等 粒子滤波: PF RBPF FASTSAM 1.0 2.0 MCL 基于图优化框架slam: Graph-slam 工具: g20 （1）基于Graph-based 信息感知问题，需要考虑如何全面的感知这个环境，RGBD摄像头FOV通常比较小，但激光雷达比较大 (A)主要使用传感器惯性测量单元——陀螺仪（Imu）测角度,轮子编码器测里程计odom，及激光雷达
1.9K30编辑于 2022-09-23 - 来自专栏全栈程序员必看
激光slam理论与实践_SLAM算法
激光SLAM笔记（1）——激光SLAM框架和基本数学理论 1、SLAM分类 1.1、基于传感器的分类 1.2、基于后端的分类 13、基于图的SLAM 2、激光SLAM算法（基于优化的算法） 2.1 、激光SLAM算法的流程 2.2、激光SLAM常用算法 2.3、激光SLAM在实际环境中的问题 3、激光SLAM算法介绍 3.1、2D激光SLAM 3.2、3D激光SLAM 4、激光SLAM的数学基础 2、激光SLAM算法（基于优化的算法） 2.1、激光SLAM算法的流程 基于图优化方法的激光SLAM和视觉SLAM的流程相同，只是其中用到的算法不同 2.2、激光SLAM常用算法 一、数据预处理 3、激光SLAM算法介绍 3.1、2D激光SLAM 一、2D激光SLAM的输入和输出： 输入：IMU数据、里程计数据、2D激光雷达数据 输出：覆盖栅格地图、机器人的运动轨迹或PoseGraph 二 二、3D激光SLAM常用帧间匹配方法 三、3D激光SLAM与激光进行融合 4、激光SLAM的数学基础 4.1、位姿表示 此处可以参考两个内容，在此不做展开（关键是自己重写太麻烦）
1.8K31编辑于 2022-09-23 - 来自专栏一点人工一点智能
【文献】激光SLAM综述
本文选了两篇激光SLAM中文的综述文献，如果你是小白刚要入行SLAM，需要对SLAM增加一些基础了解，推荐详细阅读一下这两篇文献。 同时对主流2D激光SLAM算法进行了深入分析和优缺点比较，并对激光SLAM未来的发展进行了展望。 2D激光SLAM算法优缺点分析 02 3D激光雷达SLAM算法综述 摘要：无人平台在大范围环境中实现自主定位与导航的能力需求日益严苛，其中基于激光雷达的同步定位和绘图技术(SLAM)是主流的研究方案 在这项工作中，本文系统概述了3D激光雷达SLAM算法框架和关键模块，分析阐述了近年来的研究热点问题和未来发展趋势，梳理了3D激光雷达SLAM算法性能的评估标准，并据此选取目前较为成熟的具有代表性的6种开源 6 种开源 3D 激光雷达 SLAM 算法
70340编辑于 2022-12-27 - 来自专栏全栈程序员必看
激光SLAM定位_有用激光定位吗
AMCL(adaptive Monte Carlo Localization)自适应蒙特卡洛定位，A也可以理解为augmented，是机器人在二维移动过程中概率定位系统，采用粒子滤波器来跟踪已经知道的地图中机器人位姿，对于大范围的局部定位问题工作良好。对机器人的定位是非常重要的，因为若无法正确定位机器人当前位置，那么基于错误的起始点来进行后面规划的到达目的地的路径必定也是错误的。
84920编辑于 2022-09-23 - 来自专栏全栈程序员必看
激光SLAM算法学习（三）——3D激光SLAM
3D激光SLAM 1、3D激光SLAM的介绍 3D激光SLAM的输入: IMU数据 3D激光雷达数据 里程计数据 3D激光SLAM的输出: 3D点云地图 机器人的轨迹 or PoseGraph 2、3D激光SLAM的发展 3D激光SLAM的帧间匹配方法——点云配准算法 Point-to-Plane ICP Feature-based Method 3D激光SLAM的回环检测方法 Scan-to-Scan Scan-to-Map Branch and Bound & Lazy Decision 目前主流激光SLAM算法： 1、LOAM-纯激光，匀速运动假设，无回环。 3、VELO-视觉激光融合，无运动畸变假设，有回环 3、3D激光SLAM的应用 数据的预处理： 轮式里程计的标定 不同系统之间的时间同步 激光雷达运动畸变去除 与视觉的融合： 3D激光雷达为视觉特征提供深度信息 视觉辅助激光雷达进行运动畸变去除 视觉辅助回环检测 视觉提供精确里程信息 激光SLAM中的问题： 1、退化环境(Degeneration Environment) 2、地图的动态更新(Map
1.1K60编辑于 2022-09-24 - 来自专栏C++开发学习交流
【SLAM】激光SLAM简介与常用框架
激光SLAM概述 SLAM（同步定位与地图构建）是一种机器人感知技术，用于在未知环境中同时确定机器人的位置并构建地图。 激光SLAM是利用机器人的激光传感器扫描周围环境，将激光点云数据与机器人当前位置相结合，通过运算和优化算法实时构建环境地图，并估计机器人在地图中的准确位置。 根据分类标准不同，一般激光SLAM有两种分类方式： 基于滤波器的激光SLAM和基于图优化的激光SLAM 基于特征的激光SLAM和基于全局扫描匹配的激光SLAM 通过激光SLAM技术，机器人能够在不依赖外部定位系统的情况下 激光SLAM整体框架 激光SLAM的整体框架通常包含以下几个主要组成部分： 1.数据获取和预处理：激光SLAM首先需要获取环境的激光扫描数据。这可以通过激光传感器（如激光雷达）实现。 常用激光SLAM框架及特点 最常见的二维激光SLAM的应用就是扫地机器人了。
2.1K20编辑于 2024-07-24 - 来自专栏AI算法修炼营
SLAM | 激光SLAM中开源算法对比
前面的话 好久没有更新SLAM系列的文章了，前面我们讲到了激光SLAM技术。 具体细节可以参考文章：2020年最新 iPad Pro上的激光雷达是什么？来激光SLAM技术中找答案 今天来讲讲激光SLAM开源方案对比。 1. 激光SLAM开源方案对比 根据所采用的数学优化框架， 激光 SLAM 可分为两大类：基于滤波器（Filter-based）和基于图优化（Graph-based）的激光 SLAM。 1.1 基于滤波器的激光SLAM方案 ? 1.2 基于图优化的激光SLAM方案 ?
3.9K30发布于 2020-05-08 - 来自专栏全栈程序员必看
激光slam学习日记——基于滤波器的激光SLAM方法
激光slam学习日记——基于滤波器的 基于滤波的方法不适合大型场景，因为误差慢慢累积，没办法修复。 不是权重越大差异越小吗，这怎么肥事 这个优化gmapping中没有 激光的准确度要明显高于里程计，所以在L区域内激光占主导地位，所以我们把预测的里程计模型变成雷达观测模型，缩小范围。
63630编辑于 2022-09-23 - 来自专栏全栈程序员必看
激光slam综述_激光点云处理
1：SLAM是什么 SLAM是同步定位与地图构建(Simultaneous Localization And Mapping)的缩写，最早由Hugh Durrant-Whyte 和 John J.Leonard SLAM主要用于解决移动机器人在未知环境中运行时定位导航与地图构建的问题。 SLAM通常包括如下几个部分，特征提取，数据关联，状态估计，状态更新以及特征更新等。其中包括2D-SLAM和3D-SLAM。 2：SLAM的分类 3：SLAM框架 3.1图优化 节点之间的约束：建图过程中会产生一个节点 x 1 x_1 x1和 x 2 x_2 x2节点连接的边,边的值为 x 1 − 1 ⋅ x 2 STS：淘汰 STM：cartographer的运用： MTM：把n帧激光聚合一个子图和过去的子图进行匹配。 运动畸变：激光旋转过程中，扫描的起始点和结束点存在角度差。
87420编辑于 2022-09-23 - 来自专栏点云PCL
SLAM综述(4)激光与视觉融合SLAM
第四部分中，将介绍激光雷达与视觉的融合。 激光雷达和视觉SLAM系统 说到激光雷达和视觉SLAM系统，必不可少的是两者之间的标定工作。 从视觉里程计和基于扫描匹配的激光雷达里程计两个方面入手，同时改进了实时的运动估计和点云配准算法性能。 VI-SLAM该系统将精确的激光里程估计器与使用视觉实现环路检测的位置识别算法相结合。 [27]针对SLAM的跟踪部分，采用RGB-D相机和二维低成本激光雷达，通过模式切换和数据融合，构建稳健的室内SLAM系统。 VIL-SLAM[28]将紧密耦合的立体声VIO与激光雷达映射和激光雷达增强的视觉环路闭合结合在一起。[29]将单目摄像机图像与激光距离测量相结合，以允许视觉冲击，而不会因尺度不确定性增加而产生误差。 [34]利用激光雷达和摄像机，以端到端可学习的架构完成了非常精确的定位。 ? 融合SLAM的挑战与未来 数据关联：未来的SLAM必须是集成多个传感器的。
5.4K31发布于 2020-06-12 - 来自专栏全栈程序员必看
激光SLAM入门学习笔记
激光SLAM入门学习笔记 激光SLAM入门学习笔记 一、推荐阅读书籍 二、推荐公众号、知乎、博客 1、公众号 2、知乎 3、博客 三、推荐阅读论文&代码（参考泡泡机器人） 2D激光SLAM 等学习经验 极品巧克力:分享SLMA数学基础、开源框架解读 一索哥传奇:专注于机器人、SLAM领域的研究 三、推荐阅读论文&代码（参考泡泡机器人） 2D激光SLAM 1、Gmapping 简介： 基于粒子滤波框架的激光 SLAM，结合里程计和激光信息，每个粒子都携带一个地图，构建小场景地图所需的计算量较小，精度较高。 简介： 利用优化方法进行帧间匹配的激光slam算法，不需要里程计信息，代码较短。 中，第一次见到被用在激光SLAM中，很值得大家去了解学习。
1.3K53编辑于 2022-09-23 - 来自专栏具身小站
激光SLAM算法方案介绍
激光SLAM原理 激光 SLAM 有激光雷达( LiDAＲ) 、惯性测量单元( IMU) 、里程计( odometry) 组成，通常室内采用二维激光雷达，室外采用三维激光雷达，里程计采用轮式里程计，计算位置信息 典型代表是Hector SLAM的匹配方法 正态分布变换：通过匹配从激光扫描提取的特征点来改善计算成本，在扫描中专注于边和平面特征并将它们保存在地图中以便进行边线和平面与平面的匹配，适用于3D 激光 SLAM 目前，无论是 2D 激光 SLAM 还是 3D 激光 SLAM，应用最广泛的地图种类是占据栅格地图。 2. 基于滤波器的激光 SLAM 方案 使用最大似然算法进行数据关联，该方案的缺点是计算量复杂，鲁棒性较差 3. 基于图优化的激光 SLAM 方案 通过非线性最小二乘方法来优化建图过程中累积的误差，存在的问题在于没有认识到系统的稀疏性，离线处理 SLAM 问题 4.
70410编辑于 2025-10-28 - 来自专栏全栈程序员必看
视觉slam与激光slam_适马fpl 视频
SLAM按照传感器来分，分为视觉SLAM(VSLAM)和激光SLAM，视觉SLAM基于摄像头返回的图像信息，激光SLAM基于激光雷达返回的点云信息。 激光SLAM比视觉SLAM起步早，在理论、技术和产品落地上都相对成熟。 成本 不管是 Sick，北洋，还是 Velodyne，价格从几万到几十万不等，成本相对来说比较高，RPLIDAR算是很低成本的激光雷达解决方案，摄像头相比激光雷达，成本低很多 应用场景 VSLAM的应用场景要丰富很多 而激光SLAM主要应用在室内。 构建的地图精度 激光SLAM精度很高，RPLIDAR精度达到2cm，VSLAM kinect测距范围3-12m，地图构建精度3cm。 所以激光 SLAM 构建的地图精度一般来说比 VSLAM 高，且能直接用于定位导航。 激光 SLAM 是目前比较成熟的定位导航方案，视觉 SLAM 是未来研究的一个主流方向。
61920编辑于 2022-09-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号