slam

[原创文章、动态更新，欢迎链接分享、请勿转载误人，By OpenThings ] [实践攻略参见： 打造一个创客专用的UbuntuKylin版本－UMaker ] 构建一个完整的机器人，涉及到机械设计、模型仿真、虚拟现实、电子平台、操作系统、计算视觉、应用软件、控制软件等很多种技术，除了机械部件的质量、设计好，电子和操作系统实时性高之外，传感系统、计算视觉、控制软件的智能化程度更是理论和算法的制高点。这里收集的研究项目，是热度较高和相对成熟的，基本上可以涵盖这些领域，而且因为开源，让所有人都有机会参与，一窥机器人技术的奥秘。 1、三维打印 可以进行数字化模型设计，并通过3D打印机快速输出原型，进行验证和测试。 1.1 三维快速建模软件－OpenSCAD，简单、灵活，可输出STL。 编译版本下载： http://www.openscad.org ,源码： https://github.com/openscad/ 1.2 三维精细建模软件－OpenBlender，高级渲染和模拟动画，3D打印。 编译版本下载： http://www.blender.org ，源码下载编译见站内说明。 1.3 三维模型切片和打印机驱动－Cura，由Ultimaker开发，大名鼎鼎。 编译版本下载： http://www.ultimaker.com/ 源码 https://github.com

MoNoSLAM 以扩展卡尔曼滤波为后端，追踪前端非常稀疏的特征点，以相机的当前状态和所有路标点为状态量，更新其均值和协方差。 优点：在2007年，随着计算机性能的提升，以及该系统用稀疏的方式处理图像，使得该方案使得SLAM系统能够在线运行。（之前的SLAM系统是基本不能在线运行的，只能靠机器人携带相机采集的数据，再离线进行定位和建图。） 缺点：MoNoSLAM存在应用场景窄，路标数量有限，系数特征点非常容易丢失等缺点，现在已经停止了对其开发。 PTAM( Parallel Tracking And Mapping ) 主要原理是: 从摄影图像上捕捉特征点，然后检测出平面，在检测出的平面上建立虚拟的3D坐标，然后合成摄影图像和CG。其中，独特之处在于，立体平面的检测和图像的合成采用并行处理。 优点：提出并实现了跟踪与建图过程的并行化，将前后端分离，使用非线性优化方案，既可以实时的定位与建图，也可以在虚拟平面上叠加物体。 缺点：场景小，跟踪容易丢失。 ORB-SLAM（继承并改进PTAM） 优点：泛用性：支持单目，双目，RGB-D三种模式。整个系统围绕ORB特征进行计算，在效率与精度之间做到了平衡，并围绕特征点进行了优化。其回环检测算法可以有效地防止误差的积累。使用三个线程完成SLAM，取得了较好的跟踪和建图效果，能够保证轨迹和地图的全局一致性。 缺点

slam资料整理 slam视频课程,ppt简单教程; 书籍 ; slam论文(综述 常用方法 视觉slam 激光slam 闭环 ) ; openSLAM slam数据集 slam研究者群 slam研究者 ===============课程============= == 国外机器人/移动机器人相关视频== Autonome Intelligente Systeme CS 287: Advanced Robotics, Fall 2012 University of California at BerkeleyDept of Electrical Engineering & Computer Sciences Introduction to Mobile Robotics - SS 2012 slam视频教程（请勿商用） 链接:http://pan.baidu.com/s/1o6Oku4y 密码:sd4c 苏黎世理工的robot课程：http://www.asl.ethz.ch/education/master/mobile_robotics ==机器学习视频== 斯坦福大学公开课 ：机器学习课程 (吴恩达) 链接: http://pan.baidu.com/s/1pJSzxpT 密码: 68eu =========书籍============ Probabilistic

70年代末，随着计算机的应用和传感技术的发展，移动机器人研究又出现了新的高潮。特别是在80年代中期，设计和制造机器人的浪潮席卷全世界。一大批世界著名的公司开始研制移动机器人平台，这些移动机器人主要作为大学实验室及研究机构的移动机器人实验平台，从而促进了移动机器人学多种研究方向的出现。 移动机器人目前已经遍布军事、工业、民用等各大领域，并还在不断的发展中，目前移动机器人技术已获得了可喜的进展，研究成果令人鼓舞，但对于实际中的应用需求还需要长时间的发展，相信随着传感技术、智能技术和计算技术等的不断提高，智能移动机器人一定能够在生产和生活中扮演人的角色。那么移动机器人定位技术主要涉及到哪些呢?经总结目前移动机器人主要有这5大定位技术。 一、移动机器人超声波导航定位技术 超声波导航定位的工作原理也与激光和红外类似，通常是由超声波传感器的发射探头发射出超声波，超声波在介质中遇到障碍物而返回到接收装置。 通过接收自身发射的超声波反射信号，根据超声波发出及回波接收时间差及传播速度，计算出传播距离S，就能得到障碍物到机器人的距离，即有公式：S=Tv/2式中，T—超声波发射和接收的时间差;v—超声波在介质中传播的波速。 当然，也有不少移动机器人导航定位技术中用到的是分开的发射和接收装置，在环境地图中布置多个接收装置，而在移动机器人上安装发射探头。 在移动机器人的导航定位中，因为超声波传感器自身的缺陷

一、Linux的熟悉 1.如何在 Ubuntu 中安装软件（命令⾏界⾯）？它们通常被安装在什么地⽅？ 1）apt-get 方式的安装； 普通安装：sudo apt-get install XXX 修复安装：sudo apt-get -f install XXX 重新安装：sudo apt-get -f reinstall XXX 2）dpkg方式的安装 sudo dpkg -i package_name.deb 安装的地方 通常被安装在/usr/bin这个目录下（默认的安装路径(《鸟哥》P789) 2. linux 的环境变量是什么？我如何定义新的环境变量？ 环境变量：环境变量是在操作系统中一个具有特定名字的对象，它包含了一个或多个应用程序将使用到的信息； 对所有用户生效的永久性变量（系统级）: 这类变量对系统内的所有用户都生效，所有用户都可以使用这类变量。作用范围是整个系统。 设置方式： 用vim在/etc/profile文件中添加我们想要的环境变量,用export指令添加环境变量 当然，这个文件只有在root（超级用户）下才能修改。我们可以在etc目录下使用ls -l查看这个文件的用户及权限 【注意】：添加完成后新的环境变量不会立即生效，除非你调用source /etc/profile 该文件才会生效。否则只能在下次重进此用户时才能生效。 对单一用户生效的永久性变量（用户级）:

接上一篇： https://blog.csdn.net/xiechaoyi123/article/details/104639462 主要模块：tracking mapping global optimization 模块三：global optimization 主要模块： 包括的数据结构 1）基本数据结构：关键帧序列，当前关键帧以及回环线程指针 //! mutex for access to keyframe queue mutable std::mutex mtx_keyfrm_queue_; //! queue for keyframes std::list<data::keyframe*> keyfrms_queue_; data::keyframe* cur_keyfrm_ = nullptr; //! thread for running loop BA std::unique_ptr<std::thread> thread_for_loop_BA_ = nullptr; 2）基本操作结构： //（1）回环检测与回环优化 //! loop detector std::unique_ptr<module::loop_detector> loop_detector_ = nullptr; //! loop bundle adjuster std::unique_ptr

5.vins_estimator 基本上VINS里面绝大部分功能都在这个package下面，包括IMU数据的处理(前端)，初始化(我觉得可能属于是前端)，滑动窗口(后端)，非线性优化(后端)，关键帧的选取(部分内容)(前端)。我第一次看的时候，总是抱有一个疑问，就是为什么把这么多内容全都放在这一个node里面。为了回答这个问题，那么首先先搞清楚vins_estimator里面分别具体都是什么，为什么要有这些数据结构/函数，这些函数是怎样工作的。 这个package下面主要以下文件： factor——主要用于非线性优化对各个参数块和残差块的定义，VINS采用的是ceres，所以这部分需要对一些状态量和因子进行继承和重写。 initial——主要用于初始化，VINS采用的初始化策略是先SfM进行视觉初始化，再与IMU进行松耦合。 estimator.cpp——vins_estimator需要的所有函数都放在这里，是一个鸿篇巨制。 estimator_node.cpp——vins_estimator的入口，是一个ROS的node，实际上运行的是这个cpp文件。 feature_manager.cpp——负责管理滑窗内的所有特征点。 parameters.cpp——读取参数，是一个辅助函数。 utility——里面放着用于可视化的函数和tictok计时器。

本文试图概括Semantic SLAM的主要思路和近年工作，⻓期更新。但因水平有限，若有错漏，感谢指正。 （更好的公式显示效果，可关注文章底部的公众号） Semantic SLAM 简介 至今为止，主流的 SLAM 方案 [1] 基于处于像素层级的 特征点 ，更具体地，它们往往只能用 角点或边缘 来提取路标。人类 是通过物体 在图像中的运动来推测相机的运动，而 非特定像素点 。 Semantic SLAM 是研究者试图利用物体信息的方案，其在Deep Learning的推动下有了较大的发展，成为了相对独立的分支，就方法（非设备）而言，其在整个SLAM领域所处位置如下图： 目前而言，所谓 Semantic 是将基于神经网络的 语义分割、目标检测、实例分割等技术 用于 SLAM 中，多用于特征点选取、相机位姿估计，更广泛地说，端到端的图像到位姿、从分割结果建标记点云、场景识别、提特征、做回环检测等 使用了神经网络的方法 都可称为 Semantic SLAM [2] 。 语义和 SLAM 的结合的体现有以下两点 [3] ： SLAM 帮助语义。 检测和分割任务都需要大量的训练数据，在 SLAM 中，由于我们可以估计相机的运动，那么各个物体在图像中位置的变化也可以被预测出来， 产生大量的新数据为语义任务提供更多优化条件 ，且节省人工标定的成本。 语义帮助 SLAM。 一方面

语义SLAM综述 摘要 SLAM技术在计算机视觉和机器人领域中占有重要地位。传统的SLAM框架采用了较强的静态世界假设，便于分析。大多基于小区域静态环境。在大规模的动态环境下，它们大多难以获得较好的性能，系统的准确性、快速性仍需加强。如何应对动态环境是一个非常重要而又备受关注的问题。现有的面向动态场景的SLAM系统要么只利用语义信息，要么只利用几何信息，要么以松散耦合的方式天真地组合它们的结果。近年来，一些研究集中在语义信息与视觉SLAM的结合上。 当前现状 视觉 SLAM（visual SLAM）是以图像作为主要环境感知信息源的SLAM系统，可应用于无人驾驶、增强现实等应用领域，是近年来的热门研究方向。典型视觉SLAM算法以估计摄像机位姿为主要目标，通过多视几何理论来重构3D地图。为提高数据处理速度，部分视觉 SLAM算法是首先提取稀疏的图像特征，通过特征点之间的匹配实现帧间估计和闭环检测，如基于SIFT（scaleinvariant feature transform）特征的视觉 SLAM和 基于ORB（oriented FAST and rotated BRIEF）特征的视觉。SIFT 和 ORB 特征凭借其较好的鲁棒性和较优的区分能力以及快速的处理速度，在视觉 SLAM 领域受到广泛应用。 但是，人工设计的稀疏图像特征当前有很多局限性