连载文章,长期更新,欢迎关注:
写在前面
第1章-ROS入门必备知识
第2章-C++编程范式
第3章-OpenCV图像处理
第4章-机器人传感器
第5章-机器人主机
第6章-机器人底盘
第7章-SLAM中的数学基础
第8章-激光SLAM系统
8.1 Gmapping算法
8.2 Cartographer算法
8.3 LOAM算法
第9章-视觉SLAM系统
第10章-其他SLAM系统
第11章-自主导航中的数学基础
第12章-典型自主导航系统
第13章-机器人SLAM导航综合实战
上一章系统地介绍了SLAM的数学理论,从本章开始学习重心将转移到实际项目代码上。这一章将介绍3种流行的激光SLAM算法,即机器人主要通过激光雷达感知环境信息。首先介绍ROS中最经典的基于粒子滤波的Gmapping算法;基于滤波方法的SLAM系统明显的缺点是无法构建大规模的地图,而基于优化的方法可以解决这个问题,这里介绍时下非常流行的基于优化的Cartographer算法;不管是Gmapping还是Cartographer,通常都是采用单线激光雷达做为输入并且只能在室内环境运行,在室外环境需要用多线激光雷达,这里介绍一种基于多线激光雷达的LOAM算法。
8.1 Gmapping算法
8.1.1 Gmapping原理分析
8.1.2 Gmapping源码解读
8.1.3 Gmapping安装与运行
8.2 Cartographer算法
8.2.1 Cartographer原理分析
8.2.2 Cartographer源码解读
8.2.3 Cartographer安装与运行
8.3 LOAM算法
8.3.1 LOAM原理分析
8.3.2 LOAM源码解读
8.3.3 LOAM安装与运行
本章介绍了3种流行的激光SLAM算法,分别为Gmapping、Cartographer和LOAM。Gmapping是ROS中最经典的基于粒子滤波的算法,缺点是无法构建大规模的地图。而Cartographer是时下非常流行的基于优化的算法,可以构建大规模的地图,并且Cartographer算法在工程应用上的价值非常高。不管是Gmapping还是Cartographer,都只能在室内环境构建2D地图,LOAM是一种用在室外环境的激光SLAM算法,该算法利用多线激光雷达,能构建出3D点云地图。
激光雷达数据虽然稳定,但由于成本高昂、数据信息量低、雨天烟雾等环境容易失效等问题的存在,大量研究者转向了视觉SLAM研究领域,下一章将介绍视觉SLAM领域中的几种典型算法。
源码仓库
参考文献
【1】 张虎,机器人SLAM导航核心技术与实战[M]. 机械工业出版社,2022.
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)