无人驾驶算法学习

多传感器融合定位（1-3D激光里程计）4-实现调用pcl-icp-1

多传感器融合定位（1-3D激光里程计）4-实现调用pcl-icp-1本次使用的是任乾老师tag4.0的代码，修改原来NDT的接口代码参考博客：从零开始做自动驾驶定位(四):前端里程计之初试无人驾驶算法学习
KaHoWong·2022-03-22 07:28

多传感器融合MSF算法源码阅读(三)

文章目录1.触发测量更新回调函数2.测量更新状态量3.总结无人驾驶算法学习（六）：多传感器融合MSF算法多传感器融合MSF算法源码阅读(一)多传感器融合MSF算法源码阅读(二)1.触发测量更新回调函数查看主类
su扬帆启航·2020-08-19 02:06

多传感器融合MSF算法源码阅读(二)

文章目录1.触发回调函数2.状态预测3.预测状态协方差无人驾驶算法学习（六）：多传感器融合MSF算法多传感器融合MSF算法源码阅读(一)1.触发回调函数imu模块主要其预测p,v,q的作用ethzasl_msf
su扬帆启航·2020-08-19 02:06

无人驾驶算法学习（十二）:imu中的常见的数值积分方法:欧拉,中值,龙格-库塔积分

文章目录1.积分基本概念2.欧拉积分3.中值积分4.RK4积分(4阶龙格库塔法)1.积分基本概念非线性微分方程:在有限的时间间隔Δt积分:连续时间内:2.欧拉积分欧拉方法假设导数f（·）在区间内是恒定的，有公式:作为一般的RK方法，这对应于单阶段方法，可以是描述如下。计算初始点的导数:并用它来计算终点的积分值:示意图:3.中值积分中值积分法假设导数是间隔中点的导数，并进行一次迭代来计算此中点的fx
su扬帆启航·2020-08-16 00:43

无人驾驶算法学习（十三）：角速率时间积分法

文章目录1.引言2.角速率时间积分法2.1零阶积分法2.2一阶积分法1.引言msf中的预测模块算法流程图：其中p,v,q主要利用的是中值积分法。其中的旋转四元数利用了eskf理论模块中的Time-integrationofrotationrates。2.角速率时间积分法四元数形式的旋转积分是通过对w的积分实现的：在此基础上，有零阶和一阶积分方法两种方法，都是在泰勒展开的基础上发展来的：上述qn的连
su扬帆启航·2020-08-16 00:12

无人驾驶算法学习（十一）:IMU标定及Allan方差分析

文章目录0.引言标定IMU的工具包参考港科大的github:https://github.com/gaowenliang/imu_utils1.安装依赖:sudoapt-getinstalllibdw-dev2.下载imu_utils和code_utilsimu_utils下载地址为：https://github.com/gaowenliang/imu_utilscode_utils下载地址为：h
su扬帆启航·2020-08-16 00:12

无人驾驶算法学习（一）：阿波罗中的自动驾驶决策技术

决策的目的限制信息：路径的长度以及左右边界限制路径上的速度限制时间上的位置限制环境信息：Routing信息道路结构（汇入车道、路口）交通信号和标识障碍物状态信息（障碍物类型、大小）障碍物预测信息（可能的运动轨迹）决策的五大功能参考路径参考路径后续的交规决策、路径决策和速度决策都是基于参考路径或者参考路径下的FrenetFrame（一种道路坐标系）完成的。Routing:Apollo的一个模块，解决
su扬帆启航·2020-08-15 07:02

多传感器融合MSF算法源码阅读(一)

文章目录1.代码框架1.1代码调用关系图:1.2主要函数调用关系图:2.posemsf阅读2.1程序入口：2.2PoseSensorManager类1.代码框架论文解读:无人驾驶算法学习（六）：多传感器融合
su扬帆启航·2020-07-13 08:40

无人驾驶算法学习（二）：卡尔曼滤波器Kalman Filter

文章目录1.引言2.基本数学理论2.1运动学建模2.2预测状态量2.3观测量2.4最终的输出3.利用卡尔曼滤波器完成对车速预测3.1完整数学原理解析3.2编程实现1.引言在完成传感器数据的解析和传感器信息的坐标转换后，我们就会获得某一时刻，自车坐标系下的各种传感器数据，这些数据包括障碍物的位置、速度；车道线的曲线方程、车道线的类型和有效长度；自车的GPS坐标等等。这些信号的组合，表示了无人车当前时
su扬帆启航·2020-07-11 14:38

LeGo-LOAM激光雷达定位算法源码阅读(一)

文章目录1.引言2.CMakeLists.txt及头文件解读3.imageProjection.cpp解读1.引言论文解读:无人驾驶算法学习（九）：LeGo-LOAM激光雷达定位算法原论文：https:
su扬帆启航·2020-07-02 14:32

无人驾驶算法学习（十）：激光和Gnss融合的外参标定算法

文章目录1.lidar_align功能包1.1安装1.2输入里程记信息1.3外参估计程序（Estimationproceedure）1.4可视化结果2.标定原理2.标定显示2.1外参显示2.2标定结果1.lidar_align功能包一种寻找三维激光雷达与六自由度姿态传感器外部标定的简单方法，项目原链接下载。该工具来自瑞士苏黎世联邦理工大学的自动驾驶实验室。其实验室对imu与其他传感器融合传感定位建
su扬帆启航·2020-07-02 14:00

无人驾驶算法学习（八）：GNSS坐标系统及转化

文章目录1.全球地理坐标系2.局部坐标系—东-北-天坐标(ENU)3.车辆坐标系—右-前-天坐标（RFU）4.坐标系转化4.1椭球体下的大地坐标系基础4.2大地坐标系转化为空间直角坐标系（BLH—>XYZ）4.3空间直角坐标系转化为大地坐标系（XYZ—>BLH）4.4高斯投影与UTW（墨卡托）投影4.5高斯投影转换公式4.6高斯投影代码实战5.Frenet坐标本文主要是讲解Apollo项目开发过程
su扬帆启航·2020-07-02 14:00

无人驾驶算法学习（九）：LeGo-LOAM激光雷达定位算法

文章目录1.文章解读1.1引言1.2分割点云(Segmentation)1.3特征提取(FeatureExtraction)1.4雷达里程记(LidarOdometry)1.5雷达建图(LidarMapping)2.安装运行2.1编译运行2.2保存地图3.代码实战1.文章解读1.1引言代码下载论文下载LeGo-LOAM是一种轻型、地面优化的激光雷达测程测图方法，用于实时六自由度姿态估计。LeGO-
su扬帆启航·2020-07-02 14:00

无人驾驶算法学习（十四）：轮速计差速模型之航迹推算

文章目录1.双轮差速模型2.航迹推算1.双轮差速模型下图是移动机器人在两个相邻时刻的位姿，其中θ1{\theta_1}θ1是两相邻时刻移动机器人绕圆弧运动的角度，θ3{\theta_3}θ3是两相邻时刻移动机器航向角（朝向角head）的变化量。l是左右轮之间的间距，d是右轮比左轮多走的距离。r是移动机器人圆弧运动的半径。移动机器人前进速度v、转向角速度w与左轮速度vl、右轮速度vr之间的转换。移动
su扬帆启航·2020-07-02 13:59

无人驾驶算法学习（七）：基于事件的视觉里程计

文章目录标题:Event-basedVision:ASurvey摘要：1.介绍和应用参与泡泡机器人新闻社翻译的第一篇文章标题:Event-basedVision:ASurvey作者:GuillermoGallego,TobiDelbr¨uck,GarrickOrchard,ChiaraBartolozzi,BrianTaba,AndreaCensi,StefanLeutenegger,Andrew
su扬帆启航·2020-07-02 13:28

LeGo-LOAM激光雷达定位算法源码阅读(四)

文章目录1.transforFusion节点框架1.1main1.2回调函数2.odomAftMappedHandler3.odomAftMappedHandler3.总结无人驾驶算法学习（九）：LeGo-LOAM
su扬帆启航·2020-07-01 03:50

无人驾驶算法学习（十五）：高精度地图数据存储框架Lanelet2

文章目录1.引言2.lanelet2特点3.数据结构3.1Points3.2Linestrings3.3Polygon3.4Lanelets3.5Areas3.6regElem（Regulatoryelements）4.软件模块4.1Core4.2TrafficRules4.3Physical4.4Routing4.5Matching4.6.Projection4.7.IO5.OSM高精度地图5.
su扬帆启航·2020-07-01 03:50

无人驾驶算法学习（六）：多传感器融合MSF算法

文章目录1.引言2.算法理论2.1MSF基本模型2.2预测2.3测量与更新3.核心代码分析4.代码实战1.引言本文的多传感器融合是建立在读懂《Quaternionkinematicsfortheerror-stateKalmanfilter》基础上的，是一种相机和IMU融合的理论，里面讲解了IMU的误差状态运动方程构建。误差状态四元数，是有开源的程序的，但是它是集成在rtslam里面的，不方便提取出
su扬帆启航·2020-06-24 18:11

无人驾驶算法学习（三）：扩展卡尔曼滤波器Extended Kalman Filter

文章目录1.引言2.扩展卡尔曼滤波数学理论3.代码实战3.1python实现3.2结果分析1.引言当系统状态方程不符合线性假设时，采用卡尔曼滤波无法获得理想的最优估计。高斯分布在非线性系统中的传递结果将不再是高斯分布，参见下图所示。这里x符合高斯分布，y=g(x)为非线性函数，所得结果y的分布已经严重“变形”（这里y的分布通过蒙特卡洛采样获得），统计y的均值和方差也可以画出图中的高斯函数曲线，但已
su扬帆启航·2019-04-06 20:34
上一页 1 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他