开源SLAM方案选型指南:从视觉到激光融合的工程实践

激光SLAM总结——VLOAM / LIMO算法解析 学习LOAM笔记——VLOAM算法解析学习LOAM笔记——VLOAM算法解析1. 总体框架 学习LOAM笔记——VLOAM算法解析 为什么要研究下VLOAM算法呢?因为效果好呀,VLOAM算法是在2015年ICRA上提出的,但是至今仍然在KITTI的odometry数据集上排名靠前,那么VLOAM一定有其过人之处 VLOAM原论文名为《Visual-lidar Odometry and Mapping: Low-drift, Robust, and Fast》,作者并没有对代码进行开源,幸运的是,在去年C 阅读详情

说真的,手里同时攥着七八个开源SLAM仓库,却不知道用哪个上自己的小车,这种纠结我太懂了。我之前做项目选型,光对比ORB-SLAM3、VINS-Fusion、Cartographer、LIO-SAM这些方案就花了一周多,踩了不少坑,也整理了一套自己的评估思路。这篇东西不打算照着论文给你念概念,而是从实际工程选型的角度,把主流开源SLAM方案的适用范围、对比维度、实测方法和避坑经验一次性讲清楚。不管你是刚接触SLAM的学生,还是正在给机器人项目做方案选型的工程师,这篇文章都能让你少走不少弯路。

1. 开源SLAM方案全景盘点:视觉、激光与融合三条路线

1.1 视觉SLAM:ORB-SLAM3与VINS系是绕不开的参考系

提到视觉SLAM,ORB-SLAM3和VINS这两个系列几乎绕不开,因为它们在准确度、开源完整度和社区活跃度上都做得相当好,很多论文和工程都是拿它们当基线。

ORB-SLAM3是目前视觉SLAM里综合能力非常强的方案,支持单目、双目、RGB-D,还支持视觉与IMU的紧耦合。它的核心思路是提取ORB特征点,通过共视图(Covisibility Graph)做局部和全局的因子图优化,回环检测则用DBoW2词袋模型来做。最让我觉得实用的是它引入了多地图系统(Atlas),哪怕跟踪中途丢了,地图也可以保存下来,重定位后跟之前的地图重新关联。这个特性在实际测试里太关键了,因为单目SLAM在快速旋转时很容易跟踪丢失,以前丢一次就得重新初始化,现在可以接着跑。

VINS-Mono和它的扩展版VINS-Fusion走的是另一条路线,基于滑动窗口(Sliding Window)做优化。它使用光流法追踪角点特征,配合IMU预积分和重投影残差,在滑动窗口里联合优化姿态、速度和IMU零偏。VINS-Fusion还加了全局位姿图优化,可以融合GPS、双目视觉等不同传感器。我自己在无人机数据集上测试,VINS-Fusion在快速运动和激烈光照变化下表现得比纯视觉方案稳健不少,代价是参数更多、调试更敏感。

除了这两个主流系列,还有一些值得留意的方案:LSD-SLAM是直接法代表,恢复半稠密深度图,适合纹理较弱的场景,但对相机内参和亮度一致性要求比较高;SVO则是半直接法,速度快但定位精度和鲁棒性一般,更适合做辅助定位;DSO是稀疏直接法,精度不错但对相机模型很敏感;OpenVSLAM把多种特征点法和可扩展地图管理做了整合,接口干净,适合想自己动手改代码的研究者。不过话说回来,做工程我还是优先建议从ORB-SLAM3或VINS系入手,生态成熟,参考资料多,遇到问题至少有地方可查。

1.2 激光SLAM:Cartographer、LOAM系与Fast-LIO系

激光SLAM在机器人落地领域地位很高,因为激光雷达测量模型简单、受光照影响小,平面建图精度通常优于视觉方案。Cartographer是Google开源的2D/3D激光SLAM框架,前端做scan-to-submap匹配,后端用Ceres优化子图的位姿,回环检测用分支定界加速搜索。它在室内结构化环境的表现尤其好,很多商用扫地机器人、清洁机器人、服务机器人的建图方案底层就是Cartographer。如果要部署到自己的机器人上,它提供了比较完整的ROS接口,用Lua脚本配置参数,调一调就能跑起来。

LOAM系则是另一条技术主线,从港科大的A-LOAM到LEGO-LOAM再到LIO-SAM,一路演进下来。它的核心思想是从点云中提取角点和平面点,用scan-to-scan和scan-to-map做配准,估计雷达的相对运动。A-LOAM用Eigen和Ceres重新实现了LOAM,代码量小、可读性强,很适合入门学习激光SLAM的整个流程。LEGO-LOAM进一步做了轻量化,使用地面分割和聚类降噪,处理效率更高。LIO-SAM则加入IMU预积分、GPS因子和回环检测,用因子图做紧耦合优化,室外大场景的效果明显更好。如果手头的机器人要在户外跑,LIO-SAM这类融合方案是首选。

Fast-LIO2是另一个让我印象深刻的方案,它把紧耦合迭代误差状态卡尔曼滤波(IESKF)和动态KD树结合,用最前端的雷达特征直接更新状态,绕开了传统scan matching里“先配准再优化”的分步流程。实测下来,Fast-LIO2在低算力设备上依然能保持较高频率和较低漂移,特别适合无人机、小型机器人这类计算资源有限的平台。后续的Faster-LIO还进一步压缩了计算量,把计算复杂度从O(m)降到接近O(1),在边缘计算模块上跑很舒服。

1.3 面向导航和落地的融合方案:RTAB-Map与SLAM Toolbox

如果目标

激光雷达SLAM简介 激光雷达SLAM简介激光雷达激光SLAM简介SLAM的定义与分类根据传感器分类根据优化方法分类(状态估计)激光雷达SLAM流程数据处理帧间匹配--核心部分回环检测后端优化激光雷达SLAM输入激光SLAM的输出激光SLAM的帧间匹配方法激光SLAM的发展Filter-basedGraph-based激光SLAM的趋势--与视觉融合视觉提供的信息融合解决的问题激光SLAM中的问题数学基础位姿表示和转换矩阵位姿表示主动旋转(向量旋转)被动旋转(坐标系旋转) 激光雷达 激光SLAM简介 Simultaneous l 阅读详情

相关推荐

【视觉SLAM】视觉SLAM相关开源算法总结

稀疏的视觉SLAM MonoSLAM 第一个实时、单目SLAM系统,基于EKF优化。 PTAM 单目,首次将tracking和mapping并行化,首次采用了BA优化,之后加入了重定位部分。 ORB-SALM/2 v1只支持单目,三个独立的线程进行tracking,mapping,loop closing,基于BA进行局部优化,基于图优化进行全局优化。v2支持单目,双目,RGB-D。VI ORB-...

weixin_42696356的博客 5361

激光SLAM各开源算法的优缺点对比

激光SLAM(simultaneous localization and mapping)是同时定位与地图构建技术的简称,它利用激光雷达准确测量障碍点的角度与距离,实现无须预先布置场景的定位与建图。激光SLAM开源算法有多种,每种算法都有其独特的优缺点。

weixin_41150257的博客 3257

【激光SLAM与视觉SLAM基本概念及算法解析】

如需具体算法实现代码或更详细的技术对比,可参考开源项目(如Cartographer、ORB-SLAM3)及相关论文。

dally2的博客 1386

激光与视觉SLAM完整学习路线

室内移动机器人导航系统(激光与视觉SLAM融合)的​​,整合基础理论、核心技术、系统集成及实战应用,结合最新研究成果与实践需求,总周期建议​​。

weixin_75051493的博客 1382

激光SLAM与视觉SLAM:从技术原理到选型实战的深度解析

本文深度解析激光SLAM与视觉SLAM的技术原理与选型实战,涵盖激光SLAM的高精度测距和视觉SLAM的图像解码能力。通过对比分析,提供五维决策框架,帮助开发者在不同环境下选择最优方案,并探讨传感器融合的前沿技术。

536

SLAM综述(4)激光与视觉融合SLAM

分享 SLAM包含了两个主要的任务:定位与构图,在移动机器人或者自动驾驶中,这是一个十分重要的问题:机器人要精确的移动,就必须要有一个环境的地图,那么要构建环境的地图就需要知道机器人的位置。 本系列文章主要分成四个部分: 在第一部分中,将介绍Lidar SLAM,包括Lidar传感器,开源Lidar SLAM系统,Lidar中的深度学习以及挑战和未来。 第二部分重点介绍了Visual SLAM,包括相机传感器,不同稠密SLAM的开源视觉SLAM系统。 第三部分介绍视觉惯性里程法SLAM,视觉SLAM中的深度

点云PCL 6974

SLAM_汇总 | 视觉/激光/多传感器融合SLAM重点知识点

以下链接来自于 计算机视觉life 从零开始学习SLAM 知识星球 参考:https://wx.zsxq.com/dweb2/index/topic_detail/215522528158181 传感器使用及标定 T265 D435 相机标定https://t.zsxq.com/FYz3zjm 双目标定问题 https://t.zsxq.com/myRby7e 相机选择方法 https://t.zsxq.com/7QjmIQR ros修改相机分辨率方法 https://t.zsxq.com/iy

惊鸿一博 3133

2021年度十大开源SLAM算法

目录 一. 纯视觉SLAM 1. TANDEM 2. MonoRec 二. 激光雷达SLAM 3. range-mcl 4. MULLS 三. 激光雷达惯性SLAM 5. LiLi-OM 6. FAST-LIO2 四. 多传感器融合SLAM 7. R3LIVE 8. GVINS 9. LVI-SAM 五. 语义SLAM 10. DSP-SLAM 六.【未开源】 LiTAMIN2 CodeMapping (来源:计算机视觉life ) 一. 纯视觉SLAM 1. TA

惊鸿一博 1万+

Hopfield神经网络(HNN)详解

Hopfield神经网络是一种比较特殊的网络,它不像一般的神经网络那样有输入层和输出层,并且通过训练来改变神经网络中的参数,最终实现预测、识别等功能。Hopfield网络只有一群神经元节点,所有节点之间相互连接,形式如下: 虽然有些文章会画出像深度神经网络那样有输入输出的图,并且输出后又返回输入,但本质上就是多个节点之间的全连接,也就是上面的图形。Hopfield神经网络主要有两个应用:一是起到类似储存器的作用,也就是我们把多个序列或图片输入这个网络,最终这个网络会以神经元之间连接权重的形式储存这

weixin_60737527的博客 4万+

【高清照片】深圳光博会看PCIe Over Fibre 实现方案

本文分析了PCIe over Fibre技术及其在数据中心的应用前景。该技术通过光纤延伸PCIe总线,解决了传统铜缆距离限制问题,支持跨机架资源池化。目前主要有两种实现方式:CDFP混合光缆方案和Retimer转接卡方案,各有优缺点。文章还探讨了CDFP接口的现状、低速信号传输解决方案,以及PCIe速率与光通信发展的对应关系。最后对比了PCIe光缆与以太网光缆的关键差异,指出PCIe光互连在协议透明度和边带信号处理上的特殊要求。随着标准推进,PCIe over Fibre将成为数据中心扩展高带宽、低时延互连

Saniffer的博客 1395

Yolov5自学笔记之一--从入门到入狱,功能强大不要乱用(实现yolov5的基本功能使用流程及训练自己的数据集)

零基础自学yolov5,学会简单使用和训练自己的数据集,在自己工作中使用

qq_41597915的博客 1万+

mipi协议中的calibration和scramble模式

在MIPI(Mobile Industry Processor Interface)协议中,calibration(校准)和scramble(加扰)模式是两个重要的特性,它们分别用于优化数据传输的准确性和减少信号干扰。

flomingo1的专栏 2407

vcs覆盖率相关

选择要查看的覆盖率点,右键选择 show xxx tests;

qq_40571921的博客 2407

奇异值分解(SVD)C++实现

奇异值分解SVD(紧奇异值分解,截断奇异值分解)C++实现

weixin_45804601的博客 4174

手把手教你学simulink(8.2)--simulink的实战案例:信号分析

通过以上步骤,你已经成功使用 Simulink 对信号进行了频谱分析和时域分析,提取了信号的有用信息。这个案例展示了如何创建 Simulink 模型、添加和连接模块、设置仿真参数、运行仿真以及分析结果。希望这个案例能帮助你更好地理解和使用 Simulink 进行信号分析。

MHD0815的博客 1128

半导体设备系列(2) 半导体设备与工厂控制仿真器Demo编写

基于C/S架构用C++编写半导体设备仿真器与工厂控制仿真器

追赶时代的博客 611

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

上一篇: 提示词工程实战:10个技巧与模板,激活大模型潜力
下一篇: 系统漏洞规律:从发现到可控利用的技术实践
weixin_33802505
博客等级 码龄11年 6337粉丝 1251原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址