本章，我们来关注实时的激光雷达定位系统。在点云地图基础之上，我们可以把当前激光扫描数据与地图进行匹配，从而获得车辆自身的位置，再与 IMU 等传感器进行滤波器融合。然而，。因此，点云定位在实际使用时，会遇到一些特有逻辑问题。本章将使用第 9 章构建的点云地图，展示点云定位的使用方法，并演示一个基于 ESKF 的实时定位方案。

在一个 IMU 系统里，我们考虑它的五个变量：旋转 R、平移 p、角速度 ω、线速度 v 与加速度 a。根据第 2 章介绍的运动学，这些变量的运动学关系可以写成如下运动学方程：在到时间内对运动学方程进行欧拉积分得：IMU 测量方程（其中为 IMU 测量的高斯噪声 ）如下：IMU 测量方程带入积分后的运动学方程（其中为离散化后的 IMU 测量噪声 ）如下：其中噪声项满足：以上过程与我们在 IMU 测

打开终端执行下列命令，将12列的 kitti 轨迹格式转换成8列的 tum 轨迹格式，得到tum格式的轨迹真挚值文件TUM_00_gt.txt。将 对应的00.txt 和 times.txt 复制到该文件的同目录下。calib.txt文件说明见。

执行完上述操作后，在 yolov5 文件夹下打开终端，输入以下命令。多了 __pycache__ 、 runs 和 yolov5s.pt 三个文件。这些字节码文件使得后续运行相同脚本时，加载速度更快，因为 Python 不需要重新编译源代码。__pycache__ 文件夹：当 Python 脚本首次运行时，解释器会将。检测结果会保存在 /yolov5/runs/detect/exp/ 文件夹下。环

虽然系统代理设置可以影响一些系统级别的工具和应用，但 Docker 运行在一个隔离的环境中，默认情况下不会继承系统的代理设置。因此，需要显式地为 Docker 配置代理。通过上述步骤配置和验证 Docker 的代理设置，可以确保 Docker 正确通过代理访问网络资源。

在启用 MIG 的情况下，一张 GPU 可以分割为多个逻辑 GPU，每个逻辑 GPU 分配固定的计算和显存资源。例如，只有支持 MIG 的 NVIDIA GPU（如 A100 或 H100）才会显示 MIG 相关的信息，而其他不支持的 GPU 显示。：这是 NVIDIA 提供的一个命令，用于显示 GPU 的实时信息，包括显卡的温度、功耗、显存使用率、GPU 负载等。：在这个模式下，只有一个进程能够

打开终端执行下列命令，将12列的 kitti 轨迹格式转换成8列的 tum 轨迹格式，得到tum格式的轨迹真挚值文件TUM_00_gt.txt。将 对应的00.txt 和 times.txt 复制到该文件的同目录下。calib.txt文件说明见。

----- 2.定义卷积神经网络 -----#x = torch.flatten(x, 1) # torch.flatten(input, start_dim=0, end_dim=-1) ：将输入张量从 start_dim 到 end_dim 维度展平为一个维度。return xprint("----------模型结构----------")print(net)#----- 3.定义损失函数和

中，LIDAR 和 IMU 的观测量通常被独立处理。即分别处理来自 LiDAR 和 IMU 的观测数据，然后在高层次 Pose（Position + Orientation）上进行融合。松耦合通常的思路是首先处理 IMU 的观测数据得到高频的位姿（Pose）信息，将高频的位姿信息用于 LiDAR 观测数据的去畸变，然后有两种处理方式。松耦合相关的研究成果有 LOAM (with IMU)，LeGO

相机由于曝光是瞬时的，其所有像素点的采集时刻是一致的。ROS 提供了message_filters 包来进行时间软同步，message_filters 类似一个消息缓存，分别订阅不同传感器的 Topic，当消息到达消息过滤器时，并不会立即输出，而是在满足一定条件下输出，产生一个同步结果并给到回调函数，在回调函数里处理时间同步后的数据。软件同步通过智能的数据处理技术弥补了硬件同步的不足，提高了传感器