目录
几个高频面试题目
如何插入LinK3D、CSF、BALM来直接插入各个SLAM框架中
算法原理
SLAM-Open3D
1. Open3D环境安装
2. Open3D示例
3. Open3D在SLAM当中的应用
同步定位和建图
地图生成和姿态估计
机械扫描激光雷达:
固态激光雷达:
闪光激光雷达:
为 SLAM 选择合适的激光雷达传感器
范围和分辨率
视野
更新率和延迟
成本和复杂性
通用映射
赫克托·斯拉姆
LOAM(激光雷达里程计和测绘)
选择正确的算法
配置参数
集成解决方案
激光雷达 SLAM 在现实生活中的流行应用:
自动驾驶汽车:
清洁机器人:
SLAM 无人机:
激光雷达 SLAM 的挑战和局限性
传感器限制
计算复杂度
动态环境
循环闭合和全局一致性
稳健性和可靠性
几个高频面试题目
如何插入LinK3D、CSF、BALM来直接插入各个SLAM框架中
1. LinK3D:三维LiDAR点云的线性关键点表示
LinK3D的核心思想和基于我们的LinK3D的两个LiDAR扫描的匹配结果。绿色线是有效匹配。当前关键点(黑色,CK)的描述符用其相邻关键点来表示。描述符的每个维度对应于扇区区域。第一维度对应于当前关键点的最近关键点所在的扇区区域(蓝色和红色、CK的最近关键点),并且其他维度对应于以逆时针顺序布置的区域。如果在扇区区域中存在关键点,则搜索扇区区域中最近的关键点(紫色和橙色,扇区中CK的最近关键点)并将其用于表示描述符的对应维度。
2. Link3D数据植入
这里的Link3D数据植入其实在外围调用就这些内容,当中AggregationKeypoints_LinK3D存储的是存当前点云中的聚类后的关键点。而pCurrentFrame_LinK3D对应的则是点云帧。该函数中利用LinK3D仿函数执行了提取边缘点,聚类,计算描述子的操作。其实主要实现的都是LinK3D提取器。
//在这里植入LinK3D,把接收到的点云数据用LinK3D提取边缘点和描述子,发布关键点数据,打印输出描述子
//LinK3D提取器