Feature‑based visual simultaneous localization and mapping: a survey
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。
常规的SLAM算法首先假设环境中所有物体均处于静止的状态。而一些能够在动态环境中运行的SLAM系统,只是将环境中的动态物体视为异常值并将他们从环境中剔除,再使用常规的SLAM算法进行处理。这严重影响SLAM在自动驾驶中的应用。
Visual and Visual-Inertial SLAM: State of the Art, Classification,and Experimental Benchmarking
论文名称: A survey of image semantics-based visual simultaneous localization and mapping Application-oriented solutions to autonomous navigation of mobile robots 作者: Linlin Xia, Jiashuo Cui, Ran Shen, Xun Xu, Yiping Gao and Xinying Li
PythonRobotics 是用 Python 实现的机器人算法案例集合,该库包括了机器人设计中常用的定位算法、测绘算法、路径规划算法、SLAM、路径跟踪算法。 Github 地址: https://github.com/AtsushiSakai/PythonRobotics 需求 Python 3.6.x numpy scipy matplotlib pandas cvxpy 如何使用 安装所需的库 Clone 该库 在每个目录中执行 python 脚本 如果你喜欢这个库,请 star :)
SLAM (simultaneous localization and mapping),也称为CML (Concurrent Mapping and Localization), 即时定位与地图构建,或并发建图与定位。问题可以描述为:将一个机器人放入未知环境中的未知位置,是否有办法让机器人一边逐步描绘出此环境完全的地图,同时一边决定机器人应该往哪个方向行进。例如扫地机器人就是一个很典型的SLAM问题,所谓完全的地图(a consistent map)是指不受障碍行进到房间可进入的每个角落。SLAM最早由Smith、Self和Cheeseman于1988年提出。由于其重要的理论与应用价值,被很多学者认为是实现真正全自主移动机器人的关键。
Range-Visual-Inertial Odometry: Scale Observability Without Excitation
SLAM (simultaneous localization and mapping),也称为CML (Concurrent Mapping and Localization), 即时定位与地图构建,或并发建图与定位。
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),建图(Mapping)和路径规划(Navigation)。
在非常有限的内存和计算能力的条件下实现准确定位是下一代汽车序列的一大挑战。本文提出了基于几何图元的定位算法,该几何图元的表示形式紧凑,对于其他任务(如规划和行为生成)更有价值。这些图元缺乏独特的签名,这使得检测和地图元素之间的关联非常不明确。我们通过在线构建局部地图来避免传递过程中的歧义,这对于提高运行效率至关重要。此外,我们基于鲁棒的位姿图优化引入了一种新的框架来融合与里程计观测的关联。
文章:A Survey on Monocular Re-Localization: From the Perspective of Scene Map Representation
文章:LiDAR-based SLAM for robotic mapping: state of the art and new frontiers
标题:Visual Semantic SLAM with Landmarks for Large-Scale Outdoor Environment
实现移动和可穿戴传感器系统厘米级精确定位具有重要的实际应用意义。本文提出了一种高效高精度的视觉惯性SLAM算法方案,称为SEVIS(Schmidt-EKF-VI-SLAM)。该方案通过IMU数据与视觉图像最佳融合,来提供低误差的3D运动追踪。特别地,调整了Schmidt-Kalman滤波公式,在状态向量中选择性地包含信息特征,同时在它们成熟后将它们作为干扰参数(或Schmidt状态)处理。建模的这种变化无需不断更新施密特状态(或它们的协方差),允许EKF正确地解释它们与活动状态的相互关系,降低了计算量。因此,我们在地图大小方面实现了线性计算复杂度,在地图大小方面获得线性计算复杂度,而不是标准SLAM系统中的二次型。为了充分利用地图信息来约束导航漂移,提倡有效的关键帧辅助的2D到2D特征匹配,减少了大量3D到2D的特征匹配,解决了2D视觉测量与3D地图特征匹配的特征关联问题,同时还保障了长期闭环和重定位的稳定性。本文提出的SEVIS在仿真和实验中都得到了广泛的验证。
文章:Evaluation and comparison of eight popular Lidar and Visual SLAM algorithms
其主要特点有以下三点:选择了在实践中广泛应用的算法;依赖最少;容易阅读,容易理解每个算法的基本思想。希望阅读本文后能对你有所帮助。
该算法利用扩展卡尔曼滤波器(Extended Kalman Filter, EKF)实现传感器混合本地化。
本文转载自INDEMIND,作者半不闲居士@CSDN。文章仅用于学术分享。本文约7000字,建议阅读14分钟本文为作者在从事Slam相关工作中对这几年遇到以及改进过相关VIO算法内容总结。 1、背景介绍 一个完整的 SLAM(simultaneous localization and mapping) 框架包括传感器数据、 前端、 后端、 回环检测与建图,如图1所示,其中,前端将传感器的数据抽象成适用于估计的模型,回环检测判断机器人是否经过已知的位置。而后端接受不同时刻前端测量的位姿和回环检测的信息并对它们
文章:RD-VIO: Robust Visual-Inertial Odometry for Mobile Augmented Reality in Dynamic Environments
VO(Visual Odometry)视觉里程计是通过车载摄像头或移动机器人的运动所引起的图像的变化,以逐步估计车辆姿态的过程。
文章:Monocular Localization with Semantics Map for Autonomous Vehicles
版权声明:本文为zhangrelay原创文章,有错请轻拍,转载请注明,谢谢... https://blog.csdn.net/ZhangRelay/article/details/89639965
作者:Woosik Lee, Yulin Yang, and Guoquan Huang
随着最近几年机器人、无人机、无人驾驶、VR/AR的火爆,SLAM技术也为大家熟知,被认为是这些领域的关键技术之一。本文对SLAM技术及其发展进行简要介绍,分析视觉SLAM系统的关键问题以及在实际应用中的难点,并对SLAM的未来进行展望。
实时、准确和鲁棒的定位对于自动驾驶汽车(AVs)实现安全、高效驾驶至关重要,而实时性能对于AVs及时实现其当前位置以进行决策至关重要。迄今为止,没有一篇综述文章定量比较了基于各种硬件平台和编程语言的不同定位技术之间的实时性能,并分析了定位方法、实时性能和准确性之间的关系。因此,本文讨论了最先进的定位技术,并分析了它们在AV应用中的整体性能。
paper:Generalized Simultaneous Localization and Mapping (G-SLAM) as unification framework for natural and artificial intelligences: towards reverse engineering the hippocampal/entorhinal system and principles of high-level cognition
文章:SensorX2car: Sensors-to-car calibration for autonomous driving in road scenarios
文章:maplab 2.0 – A Modular and Multi-Modal Mapping Framework
高精度地图对自动驾驶系统功能研发的影响已经越来越明显,整体上来讲主要包含但不仅限于提升车端感知性能、拓展自动驾驶新功能、动态建图等相关应用。具体体现在如下几个重要方面:
论文、代码地址:在公众号「计算机视觉工坊」,后台回复「Intensity-SLAM」,即可直接下载。
首先,我们需要知道什么是SLAM(simultaneous localization and mapping, 详见SlamCN),SLAM,即时定位与制图,包含3个关键词:实时、定位、制图,就是实时完成定位和制图的任务,这就是SLAM要解决的基本任务。按照使用的传感器分为激光SLAM(LOAM、V-LOAM、cartographer)与视觉SLAM,其中视觉SLAM又可分为单目SLAM(MonoSLAM、PTAM、DTAM、LSD-SLAM、ORB-SLAM(单目为主)、SVO)、双目SLAM(LIBVISO2、S-PTAM等)、RGBD SLAM(KinectFusion、ElasticFusion、Kintinous、RGBD SLAM2、RTAB SLAM);视觉SLAM由前端(视觉里程计)、后端(位姿优化)、闭环检测、制图4个部分组成,按照前端方法分为特征点法(稀疏法)、光流法、稀疏直接法、半稠密法、稠密法(详见高翔《视觉slam十四讲》第xx章);按照后端方法分为基于滤波(详见SLAM中的EKF,UKF,PF原理简介)与基于图优化(详见深入理解图优化与g2o:图优化篇与深入理解图优化与g2o:g2o篇)的方法。
文章:Design and Evaluation of a Generic Visual SLAM Framework for Multi-Camera Systems
我们将在2D网格世界中定位一个机器人。实时定位与地图构建的基础是从机器人的传感器和运动中收集信息,然后使用有关测量和运动的信息来重新构建一个该世界的地图。
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。基于激光雷达的同时定位与地图构建技术(simultaneous localization and mapping, SLAM)以其准确测量障碍点的角度与距离、 无须预先布置场景、可融合多传感器、 在光线较差环境工作、 能够生成便于导航的环境地图等优势,成为目前定位方案中不可或缺的新技术。
文章:Semantic Visual Simultaneous Localization and Mapping: A Survey
标题:Compact 3D Map-Based Monocular Localization Using Semantic Edge Alignment
作者:高翔 张涛 刘毅 颜沁睿 编者按: 本文节选自图书《视觉SLAM十四讲:从理论到实践》,该书系统介绍了视觉SLAM(同时定位与地图构建)所需的基本知识与核心算法,既包括数学理论基础,又包括计算机视觉的算法实现。此外,还提供了大量的实例代码供读者学习研究,从而更深入地掌握这些内容。 当前的开源方案 本文将带着读者去看看现有的SLAM方案能做到怎样的程度。特别地,我们重点关注那些提供开源实现的方案。在SLAM研究领域,能见到开源方案是很不容易的。往往论文中介绍理论只占20%的内容,其他80%都写在代码中
ORB-SLAM3是一个支持视觉、视觉加惯导、混合地图的SLAM系统,可以在单目,双目和RGB-D相机上利用针孔或者鱼眼模型运行。
文章:DSP-SLAM: Object Oriented SLAM with Deep Shape Priors
文章:OA-SLAM: Leveraging Objects for Camera Relocalization in Visual SLAM
文章:AirVO: An Illumination-Robust Point-Line Visual Odometry
【嵌牛导读】:SLAM(Simultaneous Localization and Mapping) 是业界公认视觉领域空间定位技术的前沿方向,中文译名为「同步定位与地图构建」,它主要用于解决机器人在未知环境运动时的定位和地图构建问题。
许多世纪以来,风力机同水力机械一样,作为动力源替代人力、畜力,对生产力的发展发挥过重要作用。近代机电动力的广泛应用以及二十世纪50年代中东油田的发现,使风机发电机的发展缓慢下来。
Leveraging Stereo-Camera Data for Real-Time Dynamic Obstacle Detection and Tracking
领取专属 10元无门槛券
手把手带您无忧上云