作为SLAM项目，从0开始，基于C++，在ROS环境下实现了一个激光里程计，能够在RVIZ下实时显示位姿的变化和运动的轨迹，可视化效果好，同时具备很高的旋转精度，不错的平移精度，可以在gazebo中仿真使用，也能够用自己的激光雷达进行运行

本文从数据输入、数据输出、渲染方式、优化方式、三维信息表达、时间与效果等几个方面对三维重建方法NeRF和3D Gaussian Splatting方法进行了横向比较，分析其异同

这篇文章的主要记录我对于基于优化方法的视觉里程计的理解，并利用C++代码实现了一个输入两张图片和图片对应的深度，输出一个位姿变换的视觉里程计算法。视觉里程计是视觉SLAM中最重要的部分之一，其位于整个视觉SLAM的前端，核心任务是为整个SLAM过程提供一个不错的位姿估计，实现视觉里程计的方法有很多，本文主要探讨基于优化方法实现的视觉里程计的原理和代码实现。

利用python+opencv+yolov5实现数字仪表读数，并将读数结果输出到UI界面显示，并保存到本地，包含图像处理，数据增强，YOLOv5源码改写，编写输出接口等

只利用IMU单个传感器，实现对人行走距离的检测，精度达到0.5m左右。同时还利用峰值检测算法实现了一个精确的计步器。

复现出一套完整的二维激光SLAM算法，能够快速进行扫描匹配，建立栅格地图，算法运行速度是hector的8倍，gmapping的16倍，能够在一帧雷达数据的周期中完成3次计算，建图效果好，能够在机器人快速运动的情况下依旧建立清晰可靠的地图。

只利用IMU单个传感器，实现对人行走距离的检测，精度达到0.5m左右。同时还利用峰值检测算法实现了一个精确的计步器。

由于SLAM过程中需要用到不同的传感器对环境进行感知和观测，而每一个传感器都应一种坐标系，所以在整个SLAM过程中涉及到非常多次的坐标变换，想要搞清楚SLAM的过程，需要对这些坐标变换有充分的理解，本文主要记录一下我对于激光SLAM中坐标变换的理解（ROS下）

利用python+opencv+yolov5实现数字仪表读数，并将读数结果输出到UI界面显示，并保存到本地，包含图像处理，数据增强，YOLOv5源码改写，编写输出接口等