SLAM入门到放弃——2D激光SLAM的应用与趋势

现在都是图优化,都是grade-based(滤波器的都不怎么用了)

Cartographer—所有开源中的效果比较好的

最小二乘,数据的稀疏性。

框架:局部匹配、全局矫正、回环检测(map-map)

数据的预处理(重要):

1、轮式里程计的标定

  • 决定初始解的准确程度,只有初始解越准确才可能得到准确的局部最优解
  • 分2步:离线标定、在线标定

2、激光雷达运动畸变去除

  • 运动畸变的意思是激光旋转时,需要花时间,在运动时测量到的点可能会发生变化

3、不同系统之间的时间同步

实际环境中问题:

动态物体

环境变化

几何结构相似环境

建图的操作复杂

全局定位

地面材质的变化

地面凹凸不平

机器人载重的改变

2D激光SLAM的趋势—与视觉融合

视觉提供的信息:

高精度的里程信息

信息丰富的视觉地图

融合解决的问题:

几何结构相似环境

全局定位(MHT,2D做全局定位没优势)

地面材质的变化

地面凹凸不平

机器人载重的改变

你可能感兴趣的:(自动驾驶,自动驾驶,计算机视觉,人工智能)