本文对比了A-LOAM与LeGO-LOAM在特征提取前处理阶段的差异。两者均基于局部曲率提取边缘点与平面点，但预处理策略不同：A-LOAM采用点级筛选，通过扫描线邻域分析剔除遮挡点与突变点，实现简单通用；LeGO-LOAM则先构建距离图像，进行地面检测与连通域分割，保留稳定区域后再提取特征，更适合低线束雷达和地面移动场景，特征稳定性更优。核心区别在于处理粒度：A-LOAM关注局部点的可靠性，而Le

本文记录了双目相机标定流程。相机输出2560×720图像（左右各1280×720），采用14×12棋盘格（边长19.7mm）标定，经异常诊断获得稳定结果：有效图片32对，左目RMS为0.39px，右目RMS为0.39px，双目RMS为0.41px，基线长度59.50mm。项目发现并解决了“单目RMS低但双目RMS高”问题，定位右目角点顺序异常并完成验证。标定结果可为立体校正与深度恢复提供基础，支撑

LIO-SAM 的 ImageProjection 模块主要用于 LiDAR 点云预处理。核心功能是将无序 3D 点云转换为结构化的距离图像，并利用 IMU 数据补偿运动畸变。输入原始点云、IMU 和里程计数据，输出去畸变点云及信息包。关键技术包括点云去畸变、距离图像投影及多传感器同步。该模块在系统中承上启下，为后续特征提取与位姿优化提供高质量数据基础。

AMCL是一种基于粒子滤波的自适应蒙特卡洛定位算法，用于机器人在已知地图中的实时位姿估计。其核心通过粒子集表示位姿概率分布，每个粒子包含位姿假设与权重。算法利用运动模型预测粒子扩散，结合激光扫描与地图匹配进行观测更新，通过重采样保留高权重粒子，并自适应调整粒子数量。AMCL能处理环境相似性导致的定位模糊，支持全局定位与绑架恢复，输出位姿及协方差，并通过map→odom变换修正里程计漂移。系统在预测

本文解读LIO-SAM的mapOptimization.cpp，实现核心后端建图功能：1）scan-to-map匹配优化位姿；2）关键帧管理；3）GTSAM因子图全局优化；4）融合GPS与回环。流程：接收点云→IMU/odom初值→局部地图→LM优化位姿→iSAM2更新因子图→发布结果。通过多传感器融合与分层优化，实现高精度LiDAR定位建图。

C++与SLAM开发核心：用`const&`避免拷贝，RAII与智能指针管理内存；`weak_ptr`破循环引用。多线程用互斥锁防数据竞争。移动语义优化性能，按场景选容器。模块化接口设计，浮点比较设阈值，合理选用四元数/李代数。Valgrind查泄漏，日志分级控频。

A-LOAM采用五层架构实现激光SLAM：**数据输入层**转换雷达数据为ROS点云；**特征提取层**按曲率分区提取角点与平面点，复用intensity字段存储时间与线束ID；**优化模型层**定义点到线/点到面残差；**前端里程计**通过scan-to-scan匹配和运动补偿输出高频位姿；**后端优化**基于scan-to-map匹配和局部地图抑制累积误差。分层解耦兼顾了实时性与精度。

本文介绍了在Jetson Orin Nano上通过Docker配置ROS2 Humble及视觉SLAM环境的完整流程。具体包括：构建集成ROS2、OpenCV和SLAM依赖的镜像；安装RealSense驱动与ROS接口；编译并配置RTAB-Map进行3D建图。文中详细提供了Dockerfile和关键命令，并说明了深度图像话题的选择对建图效果的影响，便于环境部署与迁移。

基于ubuntu20.04搭建YOLO_ORB_SLAM3环境

本文介绍了在Jetson Orin Nano上通过Docker配置ROS2 Humble及视觉SLAM环境的完整流程。具体包括：构建集成ROS2、OpenCV和SLAM依赖的镜像；安装RealSense驱动与ROS接口；编译并配置RTAB-Map进行3D建图。文中详细提供了Dockerfile和关键命令，并说明了深度图像话题的选择对建图效果的影响，便于环境部署与迁移。