原创 激光雷達點雲預處理：傳感器時間同步、點雲去畸變
一、傳感器時間同步 多傳感器融合過程中由於傳感器之間的採集頻率不同，導致無法保證傳感器數據同步。這裏以激光雷達爲核心傳感器，每次收到一次雷達數據，便以當前雷達數據採集時刻作爲要插入的時間點，該時刻另一傳感器IMU的數據通過插值獲得
2020-05-15 02:03:16
6
原创 基於NDT的前端里程計框架優化
本文旨在對上一講基於NDT的前端里程計代碼解析 進行框架上的優化，主要參考知乎上專欄文章《從零開始做自動駕駛定位 》，在此基礎上進行更加清晰的代碼框架解讀。 首先上一篇文章有以下缺點： 1、沒有專門的參數配置文件.yaml 2、點
2020-04-27 11:15:14
3
原创 基於NDT的前端里程計代碼解析
本文主要對Lidar_Localization文件中的三個源文件，front_end_node.cpp、front_end.h/cpp進行詳細代碼解讀。 前端激光雷達點雲里程計主要分爲：點雲下采樣濾波、點雲匹配、位姿估計、關鍵幀選
2020-04-23 15:28:40
6
原创 LOAM源碼解析4——transformMaintenance
這一部分主要爲了：融合後的Lidar軌跡（里程計位姿+地圖優化的位姿） main函數 訂閱的兩個消息節點： 1、laserOdometry節點發布的/laser_odom_to_init消息（Lidar里程計估計位姿到初始座標系
2020-04-21 20:28:47
8
原创 LOAM源碼解析3——laserMapping
SLAM系統前面大多是先估計相鄰兩幀之間相對位姿估計，接下來開始建圖，然後根據建圖結果對現有姿態進行優化，最後把當前這特徵點填充進地圖，且估計當前幀相對於世界座標系下的位姿。 在掃描週期末尾激光雷達里程計輸出畸變矯正過的點雲Pk+
2020-04-21 20:28:47
2
原创 LOAM源碼解析2——laserOdometry
這是LOAM第二部分Lidar laserOdometry雷達里程計。 在第一章提取完特徵點後，需要對特徵點雲進行關聯匹配，之後估計姿態。 主要分爲兩部分： 特徵點關聯使用scan-to-scan方式t和t+1時刻相鄰兩幀的點雲
2020-04-19 11:00:41
1
原创 LeGO-LOAM:輕量級地面優化的建圖
LEGO-LOAM 是基於LOAM優化的系統，相比之下，有以下優點： 1）LeGO-LOAM是輕量級的，因爲可以在嵌入式系統上實現實時姿態估計和建圖。 2）去除失真數據，在地面分離之後，執行點雲分割以丟棄可能表示不可靠特徵的點。
2020-04-14 00:46:59
1
原创 LOAM源碼解析——scanRegistration
入手激光雷達SLAM，從最經典的LOAM源碼開始，之後會對秦通在此基礎上改進的A-LOAM源碼進行觀看，應該就會很簡單了，第三步是把LEGO-LOAM的源碼進行解讀。之前對LOAM的論文進行了詳細解讀。 LOAM的源碼主要分爲sc
2020-04-14 00:46:59
4
原创 LOAM：實時的雷達里程計和建圖
之前對視覺SLAM主要的開源框架，ORB-SLAM2、SVO等進行了介紹，然後疫情期間對VINS-Mono進行了詳細的源碼解析，接下來考慮到工作原因需要用到激光雷達、GNSS、IMU等多傳感器融合，所以接下來會對最經典的激光SLA
2020-04-14 00:46:59
1
原创 如何通過Git將本地項目上傳到Github
一、Git下載安裝 先說下Git官網下載太慢的問題，通過下述鏈接，阿里的鏡像可以實現快速下載。 https://npm.taobao.org/mirrors/git-for-windows/ 一直下拉，找到如圖所示這些鏈接(不同的安裝方式
2020-04-14 00:46:59
1