大家好,又见面了,我是你们的朋友全栈君。
SLAM算法总结——经典SLAM算法框架总结
SLAM算法总结——经典SLAM算法框架总结
从研究生接触SLAM算法到现在也有两三年了,期间学习了很多经典的SLAM算法框架并写了一些相关的博客,本篇博客主要目的是想将这些博客进行一个简单总结用于查漏补缺。首先,按照我的理解,我梳理了如下一个思维导图,如果读者发现有什么需要补充或者纠正的欢迎随时交流:
按照分类,我们先来讲讲视觉SLAM,视觉SLAM算法相对于激光SLAM算法的特点是信息更加丰富,由于是在二维提取特征点,因此通常可以达到更高的频率,但也正是因为信息丰富,因此更容易引入噪声,加上缺乏三维信息,导致视觉SLAM算法的鲁棒性在平均水平上要低于激光SLAM,尤其是通过传统特征进行定位和建图,在工程应用上相对受限,当前一个热门的方向是通过网络提取更加鲁棒的特征,例如SuperPixel、SuperGlue,或者直接根据网络输出定位和建图结果,这也是我之后希望进一步了解的方向:
以下是一些视觉SLAM的博客链接,感兴趣的同学可以了解下:
纯视觉方案:
视觉SLAM总结——ORB SLAM2中关键知识点总结
视觉SLAM总结——SVO中关键知识点总结
视觉SLAM总结——LSD SLAM中关键知识点总结
结合IMU方案:
VINS-Mono关键知识点总结——前端详解
VINS-Mono关键知识点总结——边缘化marginalization理论和代码详解
VINS-Mono关键知识点总结——预积分和后端优化IMU部分
学习MSCKF笔记——前端、图像金字塔光流、Two Point Ransac
学习MSCKF笔记——四元数基础
学习MSCKF笔记——真实状态、标称状态、误差状态
学习MSCKF笔记——后端、状态预测、状态扩增、状态更新
结合激光方案:
视觉激光融合——VLOAM / LIMO算法解析
我是先入门的视觉SLAM再接触的激光SLAM,因此激光SLAM我接触的时间并不是很长,但是激光SLAM和视觉SLAM的基本方法是一样的,只是在传感器输入处理上会稍有不同,正如上面提到的,激光SLAM在工程应用方面会更加成熟,以下是一些激光SLAM的博客链接:
纯激光方案:
学习LOAM笔记——特征点提取与匹配
结合IMU方案:
激光IMU融合——LIO-Mapping / LIOM / LINS / LIO-SAM算法解析
结合视觉方案:
视觉激光融合——VLOAM / LIMO算法解析
在视觉和激光结合的方向上,在2021年的ICRA上还有一片LVI-SAM,工程实现上是VINS-Mono和LIO-SAM的结合。
发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/147365.html原文链接:https://javaforall.cn
【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛
【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...