登录社区云，与社区用户共同成长
邀请您加入社区
激光slam，loam论文解读，翻译
Point-Plane SLAM for Hand-Held 3D Sensors论文阅读
论文笔记——惯性/视觉/激光雷达SLAM技术综述。
Type: RALYear: 2019组织/Sensor: ETH-ASL参考与前言此文档涵盖了两篇内容，从2017年IROS的voxblox到2019年RAL的voxblox++，但是主要重点在voxblox哈~and代码链接：https://github.com/ethz-asl/voxblox and https://github.com/ethz-asl/voxblox-plusplus。
LeGO-LOAM论文翻译，学习笔记
iMAP：首个隐式场景表征的实时SLAM
StructDiffusion使用transformer和扩散模型，完成从语言指令构建物理结构的任务
我们展示了FLIRT与RANSAC的结合，如何通过特别简单的算法应用于闭环、全局定位、增量建图和基于位姿估计的SLAM。结果表明，FLIRT特征在精确召回性能、效率、通用性和简单性方面对机器人导航具有巨大潜力。
图1是提出的FlowFusion的工作框架，输入连续两帧RGB-D帧A和B，RGB图像输入PWC网络来获取光流估计，同时强度-深度图像对输入相机运动估计（前端里程计），获取相机初始位姿ξ（Section III-A具体介绍），然后根据位姿ξ 投影图像A到A‘，获得投影的2D场景流（(Section III-B具体介绍)），用场景流来进行动态分割，在几次迭代之后（Section III-C,具体介绍
论文阅读：BoW3D
SOFT-SLAM论文阅读
特征点由关键点（Key-point）和描述子（Descriptor）两部分组成。其中，关键点是指该特征点在图像里的位置，有些特征点还具有朝向、大小等信息。描述子通常是一个向量，按照某种人为设计的方式，描述了该关键点周围像素的信息。描述子是按照“外观相似的特征应该有相似的描述子”的原则设计的。ORB特征（Oriented FAST and Rotated BRIEF）：由FAST关键点（Orient
假设许多机器人应用程序不需要重建表面的高分辨率水平，并且可以从不太准确但成本较低的地图中受益，从而获得和内存效率。本文针对主流计算平台，提出了一种基于粗糙、轻量级三维表示的快速RGB-D SLAM，用于动态室内环境的稠密紧凑建图。文中还提出了一种简单快速的动态元素检测和过滤公式。我们展示了我们的系统的健壮性，它的低内存需求和良好的性能。
随着自动驾驶与移动建图的快速发展，实际项目中对现成的激光SLAM建图方案的需求也越来越强烈，并且要求解决方案适用于各种不同规格的激光雷达与各种复杂场景。因此，我们提出了MULLS，一种高效，低漂移，多功能的3D激光SLAM系统。算法的前端使用双阈值地面分类与主成分分析，从每帧点云中提取粗略的特征点（地面，立面，柱，横梁等）；然后使用本文提出的线性最小二乘最近邻迭代算法对当前帧与局部地图配准；在不同
强度前端包括强度矫正，特征提取和扫描上下文里程计估计。
完整题目： Dynamics-Aware Spatiotemporal Occupancy Prediction in Urban Environments代码链接：无缩写：occupancy grid map (OGM), sensor grid maps (SGMs), residual grid maps (RGMs)
论文阅读
（当深度强化学习遇到联邦学习：5G超密集网络中多接入边缘计算的智能多时间尺度资源管理）IEEE INTERNET OF THINGS JOURNAL。本文使用到了两时间刻度的DQN，DQN的简单介绍如下，参考的博客见图片水印。下图为个人理解的整体算法套用过程，可能和原文有出入，仅供参考，以原作者为主。T1服务放置为慢时间刻度，T2卸载决策和资源分配为快时间刻度。实验部分不在此是赘述，感兴趣可以阅读
神经隐式表征最近在各个领域都显示出了令人鼓舞的结果，包括在同步定位和建图(SLAM)方面的良好进展。然而，现有的方法会产生过度平滑的场景重建，并难以扩展到大型场景。这些限制主要是由于它们简单的全连接网络架构，没有在观测中包含局部信息。在本文中，提出了NICE-SLAM，一种通过引入层次式场景表示（hierarchical scene representation）来整合多层局部信息的稠密SLAM系
线段的表示用了两种方法，一种是用两个端点来表示，一种是使用普吕克坐标和正交表示（Pl ̈ucker Coordinates and Orthonormal Representation），前着便于线段在3D地图中的可视化、基于LBD描述子的3D-2D的线匹配以及帮助追踪被部分遮挡的线段。两张图像相互匹配的线段三角化到三维空间的方法是首利用两个2D线段分别与光心所构成的两平面交线获得3D线段所在的直
基于物体的视觉SLAM，利用2d目标检测恢复三维场景下的包围框，并将物体信息纳入到后端的优化中。
ORB-SLAM 原文简译本文介绍了一种基于特征的 单目 SLAM系统ORB-SLAM，可在大小型、室内外环境中实时运行。
ICRA2022的一篇语义物体SLAM，利用椭球体对物体进行标识，注重与物体的提取和优化，而对SLAM过程并没有进行太多的介绍，物体利用三种约束进行提取，并利用对称性进行优化。
语义激光SLAM
T-RO顶刊物体级SLAM论文，偏重建图及高层应用，改进了物体关联、物体表示以及语义下的场景匹配
在QuadricSLAM基础上进行的改进，优化了物体初始化的方法，物体能够在一帧内进行初始化，在后续过程中逐步优化
环路闭合是自主移动系统SLAM的基本组成部分。在视觉SLAM领域，Bag of Words（Bow）在环路闭合方面取得了巨大成功。用于闭环搜索的BoW特性也可以用于随后的6自由度环校正。然而，对于3D激光雷达SLAM，目前最先进的方法可能无法有效地实时识别环路，而且通常无法纠正完整的6自由度环路姿态。了解决这一限制，本文提出了一种在3D激光雷达SLAM中用于实时闭环检测的新颖的Bag of Wor
单目相机和激光雷达是无人驾驶车辆中最常用的两种传感器。将两者的优势相结合是当前SLAM和语义分析的研究重点。本文提出了一种改进的基于激光雷达和单目视觉融合的SLAM和语义重建方法。我们将语义图像与低分辨率三维激光雷达点云融合，生成密集的语义深度图。通过视觉测程选择具有深度信息的ORB特征点，提高定位精度。我们的方法使用并行线程来聚合三维语义点云，同时定位无人驾驶汽车。
2.编码方式：one-blob（提升未观察到区域的补全能力和一致性）编码方式根据场景表示（hash网格）制定。iMap：由于实时性的要求，iMap使用系数采样和减少迭代次数提升效率，造成丢失高频细节&增大误差。1)场景表示：联合坐标+参数编码-------MLP---------->RGB和SDF。3)mapping：从所有帧采样的全局射线进行全局BA，联合优化map&pose。场景表示：如八叉树
这项工作提出了一种模块化和分层的方法来学习探索 3D 环境的策略，称为“Active Neural SLAM”。我们的方法结合了经典方法和基于学习的方法的优势，通过使用带有学习 SLAM 模块的分析路径规划器以及全局和本地策略。学习的使用提供了输入模式（在 SLAM 模块中）方面的灵活性，利用了世界的结构规律（在全局策略中），并为状态估计中的错误（在本地策略中）提供了鲁棒性。
我们提出了一种新颖的几何和光度 3D 映射流程，用于从单目图像进行准确、实时的场景重建。为了实现这一目标，我们利用了密集单目 SLAM 和实时分层体积神经辐射场的最新进展。我们的见解是，密集单目 SLAM 通过提供准确的姿态估计和具有相关不确定性的深度图，提供正确的信息来实时拟合场景的神经辐射场。通过我们提出的基于不确定性的深度损失，我们不仅实现了良好的光度精度，而且还实现了很高的几何精度。
神经隐式（Neural implicit representations）表示最近在同步定位和地图绘制（SLAM）方面有一定的进展，但现有方法会产生过度平滑的场景重建，并且难以扩展到大型场景。这些限制主要是由于其简单的全连接网络架构，未在观测中纳入本地信息。我们提出了 NICE-SLAM，这是一种密集 SLAM 系统，通过引入分层场景表示来合并多级局部信息。使用预先训练的几何先验优化这种表示，可以
将实时定位和建图(SLAM)估计与动态场景建模相结合，可以极大地促进机器人在动态环境中的自主性。机器人的路径规划和避障任务依赖于对场景中动态物体运动的准确估计。本文介绍了VDO-SLAM，这是一个健壮的视觉动态对象感知SLAM系统，它利用语义信息来实现对场景中动态刚性对象的精确运动估计和跟踪，而无需事先了解对象的形状或几何模型。该方法识别和跟踪环境中的动态对象和静态结构，并将这些信息集成到一个统一
IROS2022的一篇视觉SLAM文章，利用物体信息辅助特征点，将特征点划分为前景和背景，并在此基础上对动态点在框架中的参与方式进行了优化，其中前景点的应用方法十分的新颖。
链接:
VIR-SLAM代码学习第二弹！详细介绍VIR-SLAM中最重要的模块VIR_VINS中的程序。篇幅所限，本篇内容还有estomator中的函数没有详细介绍，这一部分最重要将在第三弹中介绍。
采用方法：为了确保实时的高性能，边缘旧的激光雷达扫描以进行姿态优化，不是将激光雷达扫描匹配到全局地图。VIO使用传感器渲染地图的纹理，即3D点云的颜色；创新点：VIO通过最小化观测地图点的RGB颜色与其在当前图像中测量的颜色之间的光度误差来估计当前状态。VIO子系统受两个主要设置的影响：图像的大小(“图像大小”）和点云图的分辨率(“Pcres”）使用的指标：与地面真实结束姿态相比，我们的算法旋转漂
Visual-inertial SLAM aided estimation of anchor poses and sensor error model parameters of UWB论文阅读总结
C2VIR-SLAM: Centralized Collaborative Visual-Inertial-Range Simultaneous Localization and Mapping
——论文阅读
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
地瓜机器人开发者社区
