使用evo评估cartographer使用多线雷达和imu的纯定位精度

使用cartographer纯定位替换amcl定位 经过实际使用,发现cartographer定位对于重定位的表现比amcl好。如果机器人的起始位置离原点较远,amcl很难自行重定位到正确的位置,只能手动修改初始位置。然而cartographer定位的表现则很好,在行驶一段距离或原地旋转一段时间后能够正确重定位。 阅读详情

gps的定位原始数据的消息结构为vd_msgs::GpsRaw
将其转换为gps里程计,作为groundtruth

#include <deque>
#include <mutex>
#include <ros/ros.h>
#include <sensor_msgs/NavSatFix.h>
#include <sensor_msgs/Imu.h>
#include <nav_msgs/Odometry.h>
#include <geometry_msgs/Twist.h>
#include <tf/transform_broadcaster.h>
#include <tf/transform_datatypes.h>
#include "GeographicLib/LocalCartesian.hpp"
#include <vd_msgs/GpsRaw.h>

GeographicLib::LocalCartesian geo_converter;
ros::Publisher  odom_pub_;
ros::Publisher imu_pub_;
vd_msgs::GpsRaw gps_raw;

double lat = 0;
double lon = 0;
double alt = 0;
bool enable_z = false;


void gpsRawCalback(const vd_msgs::GpsRaw msg)
{
   
   
  gps_raw = msg;

  nav_msgs::Odometry real_gps_odom;

  real_gps_odom.header.stamp = gps_raw.header.stamp;
  real_gps_odom.header.frame_id = "odom";
  real_gps_odom.child_frame_id  = "gps_link_compare";

  geometry_msgs::Quaternion catch_orientation;

  catch_orientation = tf::createQuaternionMsgFromRollPitchYaw
                            (gps_raw.Vector.x, gps_raw.Vector.y, gps_raw.Vector.z);
/*   catch_orientation = tf::createQuaternionMsgFromRollPitchYaw
                            (0, 0, gps_raw.Vector.z); */
  real_gps_odom.pose.pose.orientation = catch_orientation;

  double local_E = 0;
  double local_N = 0;
  double local_U = 0;
  geo_converter.Forward(gps_raw.Latitude, gps_raw.Longitude, gps_raw.Altitude, local_E
cartographer 坐标系_[参考转]关于cartographer应用场合和配置使用、以及源码的重点... 由于本人学习cartographer的目的就是做visual SLAM,以相机作为传感器展开slam。而cartographer官网提供的demo包括参考沦为都是以激光雷达作为传感器,因此我找到前辈这篇文章作为参考,开始我的第一步。作者:斯坦德机器人链接:https://www.zhihu.com/question/51348391/answer/221614714cartographer能做到,... 阅读详情

相关推荐

Cartographer建图和纯定位

cartographer的使用与操作笔记

wwtx的博客 9055

3 款主流 SLAM 方案对比:RTAB-Map vs ORB-SLAM3 vs Cartographer 在室内外场景的实测

本文深度对比了RTAB-Map、ORB-SLAM3和Cartographer三款主流SLAM方案在室内外场景的实测表现。通过分析传感器兼容性、计算资源占用、回环检测和内存管理等关键指标,揭示了各算法在不同应用场景下的优劣势,为工程实践提供选型建议。RTAB-Map凭借其独特的三级内存管理机制在多传感器融合和长期运行场景中表现突出。

weixin_29092579的博客 287

开源SLAM方案评估指南:从传感器配置到精度量化

SLAM作为机器人同步定位与建图的核心技术,其算法选型直接影响系统在复杂环境中的定位精度与稳定性。当前开源生态中,ORB-SLAM3、VINS-Mono、Cartographer、LIO-SAM及FAST-LIO2等方案各有技术偏好,分别适应不同传感器组合和场景约束。理解特征点法、直接法、图优化等原理,是进行有效评估的基础。在机器人、AR和自动驾驶等应用中,通过科学流程比选算法,能够显著降低试错成本。工程实践中,需围绕运行场景、传感器配置、算力平台和标定状态建立评估维度,并借助EVO轨迹评估工具量化ATE与

weixin_29047919的博客 194

开源SLAM方案评估实战:从ORB-SLAM3到VINS-Mono的选型指南

同时定位与建图(SLAM)是机器人自主导航与自动驾驶的关键技术,其核心难点在于误差随轨迹不断累积,而回环检测是修正漂移的重要手段。在实际工程中,面对ORB-SLAM3、VINS-Mono、Cartographer等众多开源方案,如何建立科学的评估体系直接决定技术选型的成败。通过理解ATE与RPE指标,并使用evo等工具对轨迹误差进行量化对比,开发者可以准确判断方案在真实场景中的表现。结合传感器配置、算力约束与应用场景,从数据集测试到实机验证,系统化的评估流程能够帮助工程师避免盲目依赖论文指标。本文基于主流开

weixin_29054399的博客 302

开源SLAM方案选型指南:从视觉到激光融合的工程实践

SLAM技术是机器人与自动驾驶领域实现自主定位与导航建图的核心基础,根据传感器类型可分为视觉、激光以及两者融合三种主流路线。面对ORB-SLAM3、Cartographer、LIO-SAM等众多开源方案,工程选型往往比算法原理更令人头疼。方案选择不仅取决于精度指标,还需综合考虑传感器配置、应用场景退化因素、算力约束、许可证限制以及二次开发成本。从视觉特征点优化到激光子图匹配,再到视觉惯性激光紧耦合,不同方案在室内结构化场景、室外大范围环境以及低算力嵌入式平台上表现各异。本文围绕开源SLAM方案选型与工程实践

weixin_33802505的博客 302

无人机SLAM建图与点云图生成:从传感器选型到实战避坑

同步定位与地图构建(SLAM)是无人机在GPS拒止或弱信号环境下实现自主导航的核心技术,它通过同时估计自身位姿并构建环境地图,解决“我在哪里”和“周围是什么”的耦合问题。根据传感器类型,SLAM主要分为激光SLAM与视觉SLAM两大流派:激光方案精度高、抗光照干扰强,适合黑暗与弱纹理场景,但成本与重量门槛较高;视觉方案成本低、能输出彩色点云,却在快速运动和光照剧变时容易丢失特征。实际工程中,传感器选型、外参标定、ROS坐标系配置以及点云后处理共同决定了建图质量。从公开数据集验证到低配置环境下的性能优化,SL

weixin_34034261的博客 377

具身智能机器人视觉技术全解析:从SLAM到双目测距与手势检测

视觉传感器是机器人感知世界的核心,从环境定位到人机交互,都离不开图像与深度信息的处理。在机器人技术中,视觉SLAM解决“我在哪里”的基本问题,通过特征提取与位姿优化构建地图;双目相机则利用视差原理计算深度,为抓取与避障提供三维距离。手势检测与人体检测让机器能够理解人的动作意图,结合SLAM坐标融合后,可实现跟随与协作。从AR/VR到仿生视觉,视觉技术体系相互贯通。本文以工程落地为导向,梳理从相机选型、标定、ORB-SLAM2实战到轨迹评估的完整链路,帮助开发者快速建立知识框架,并掌握可复现的视觉机器人开发流

weixin_34205826的博客 320

【训练】Qwen2.5VL 多机多卡 Grounding Box定位

之前的相关文章:【深度学习】LLaMA-Factory微调sft Qwen2-VL进行印章识别使用LLaMA-Factory微调sft Qwen2-VL-7B-Instruct构建最新的LLaMA-Factory镜像。

q742971636的博客 2587

Windows server 2012R2安装Oracle11g

打开 开始——所有程序——Oracle-OraDb11g_home1——配置和移植工具——Database Configuration Assistant。打开 开始——所有程序——Oracle-OraDb11g_home1——配置和移植工具——Net Configuration Assistant。首先打开Oracle的安装位置找到下面的位置找到tnsnames.ora文件右键编辑。打开Oracle的安装位置找到下面的位置找到tnsnames.ora文件右键编辑。选择仅安装数据库软件。

qq_74770105的博客 3600

Ubuntu 24.04 安装 ROS2 Jazzy

手把手教你在Ubuntu24.04上安装JazzyROS2操作系统。

weixin_74185504的博客 1万+

PaddleOCR实战:从零开始打造专属OCR模型的完整指南

本文提供了一份从零开始使用PaddleOCR打造专属OCR模型的完整实战指南。内容涵盖环境搭建、数据标注与准备、模型训练与调优,以及最终的模型转换与部署。重点介绍了如何利用PaddleOCR进行模型训练,并整合PPOCRLabel等工具高效准备数据集,帮助开发者快速构建适用于特定场景的高精度OCR识别能力。

rl6adventurer的博客 734

一个基于fluent超声振动仿真算例分析(含有UDF的编写设定)

一个基于Fluent的超声防堵算例

Lvyou2008的博客 2522

Cadence画PCB的傻瓜式教程

1.原理图1)建立元件库2)建立原理图3)在原理图中画好电路图4)利用MENTOR-GRAPHICS-IPC-7351-LP-VIEWER查看元件的封装信息,用pad designer画焊盘,用pcb editor画元件的封装(对照LP_VIEWER),(也可以使用package wizard)5)在原理图中为元件添加封装信息(键入)6)Drc检查7)生成网表2.Pcb1)设置...

tianpu2320959696的博客 1万+

【即插即用模块】注意力篇 | TGRS 2025 | MFA聚特征+HPDown保细节+HFF融层级,三大模块各司其职,性能翻倍!

本文介绍了MTMLNet网络中的三大核心模块:MFA(多阶段特征聚合)、HPDown(混合池化下采样)和HFF(分层特征融合)。MFA通过双尺度深度卷积和注意力机制增强特征提取能力;HPDown结合平均池化和最大池化,有效保留下采样过程中的特征信息;HFF采用三注意力机制实现自适应特征融合。这三个模块协同工作,在红外小目标检测与分割任务中取得了SOTA效果。实验表明,各模块在特征提取、信息保留和融合方面均优于传统方法,可灵活应用于各类视觉任务中。

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 290

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

上一篇: cartographer建图,重定位及发布消息结构为nav_msgs::Odometry的odom话题
下一篇: kitti数据集的gps数据和imu数据转化为odom数据
dear小王子
博客等级 码龄6年 70粉丝 31原创
评论 29
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 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

打赏作者

dear小王子

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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