基于固态激光雷达Livox的建图与定位系统！提供Docker自测！

最新推荐文章于 2024-10-10 07:32:48 发布
最新推荐文章于 2024-10-10 07:32:48 发布
阅读量4.8k 收藏 60
点赞数 7
CC 4.0 BY-SA版权
文章标签： 算法 人工智能 java 机器学习 编程语言
原文链接：https://mp.weixin.qq.com/s?__biz=MzU1MjY4MTA1MQ==&mid=2247593147&idx=3&sn=78d6b431014a4604989e0f078e539485&chksm=fbfd478fcc8ace99ba5c6bfc81459ef42949ed72f876822b5f24c0e401cac5d686a773b557da&scene=126&&sessionid=0

点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

99edf70004d5e8b21edeb03cc17dd3c5.png

作者丨黄思渊

来源丨 计算机视觉life

今天介绍一个最新的SLAM开源算法，作者开源了一套完整易用的、基于固态激光雷达Livox的SLAM系统。为了方便各位感兴趣读者的尝试，作者还提供了相应的Docker镜像文件和测试数据集。

3c4d0eccf7c99e1978ed773bd0d5316d.gif

开源链接如下：欢迎star，fork，watch

Livox-Mapping: 

https://github.com/PJLab-ADG/Livox-Mapping

Livox-Localization: 

https://github.com/SiyuanHuang95/Livox-Localization

Docker: 

https://hub.docker.com/r/siyuanhuang95/livox_slam

在自主移动机器人的任务执行过程中，实时获得自身当前位姿是要解决的基本问题之一。目前，以激光雷达为主传感器进行点云地图构建，并用scan-map匹配的方式定位是当前的主流方案。但是传统的多线激光雷达成本高，体积大，装配复杂，不适合在一些小型、成本敏感的移动机器人上使用。而固态激光雷达以其成本低、集成度高、方便装配的优势，近年来在机器人领域引起了广泛关注。但固态激光雷达视场小，扫描模式不规则的特点，也为SLAM算法的适配带来了新的困难。

本工作给出了一套完整易用的、使用固态激光雷达进行地图构建的系统。该系统的前端部分是基于开源的里程计框架LIO-Livox开发的，后端则加入了基于ScanContext的位姿图优化。此外，我们添加了更多约束以提高建图性能。同时我们在Livox-Localization中为您提供了一个简单的基于激光雷达地图的定位模块，可以测试点云建图的效果。为了方便各位感兴趣读者的尝试，我们提供了相应的Docker镜像文件和测试数据集。

下面分别介绍我们在LIO-Livox基础上添加的部分新特性。

  • 回环检测

在回环检测部分，我们使用Scan Context点云描述子进行回环检测，并将回环约束加入到求解器中进行优化。通过回环，我们可以减小在大场景下里程计位姿估计的累计误差。下面给出开启与关闭回环的效果对比。

开启闭环检测

520676428a42dddaa851336d07e7c2a1.gif

关闭闭环检测

ee55c5a5b8d620b0df0dfb28b821f6d2.gif

  • 地面约束

在激光雷达建图算法中，经常会出现z轴漂移的问题。而固态激光雷达由于FoV小，这个问题会更加明显。为了应对这个问题，我们受hdl_graph_slam的启发，将地面约束加入了优化求解器中。下面给出加入地面约束后与加入之前的效果对比。

加入地面约束

f5041cbe2a96ce34ccbf62291198e179.gif

不加地面约束

4f9c568d5bb0290175650944c80a34d9.gif

  • 多包建图

在实际的建图过程中，我们经常会多次采集环境的信息并存储在rosbag包中。所以我们需要一个将多rosbag包建立的地图进行合并的功能。在本文中，我们使用GPS(可选)的信息将不同rosbag包中的数据转到统一的坐标系下。与此同时，我们在后端维护一个长期优化的关键帧序列，并利用Scan Context及icp的方法实现来自不同包关键帧之间的相不加地面互回环、联合优化以保证地图的全局一致性。下面是多包建图的结果。

acba415d149c0fd4294d5420091206b8.gif

  • GPS因子

我们还提供了GPS因子来帮助建图过程。在本系统中，是否使用GPS信息是可选的，即使没有 GPS 信息，整个系统也可以正常工作。

  • 与地图编辑器interactive_slam相互兼容

Interactive_slam是一个基于3D激光雷达的开源点云地图编辑框架。我们输出的结果与interactive_slam兼容。这样就可以方便地使用 interactive_slam对建图结果进行手工修整以获得更准确的LiDAR地图。同时，我们还提供了一项使用图像数据，借助 mmdection 和简单的 LiDAR 点投影的动态物体去除功能。

b877bbeb6024310dc9e900568bdbc695.png

本文仅做学术分享，如有侵权，请联系删文。

3D视觉精品课程推荐：

1.面向自动驾驶领域的多传感器数据融合技术

2.面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态+多模态/数据+代码)
3.彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进
4.国内首个面向工业级实战的点云处理课程
5.激光-视觉-IMU-GPS融合SLAM算法梳理和代码讲解
6.彻底搞懂视觉-惯性SLAM：基于VINS-Fusion正式开课啦
7.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化
8.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)

9.从零搭建一套结构光3D重建系统[理论+源码+实践]

10.单目深度估计方法：算法梳理与代码实现

11.自动驾驶中的深度学习模型部署实战

12.相机模型与标定(单目+双目+鱼眼）

13.重磅！四旋翼飞行器：算法与实战

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

d29059cc9ee82ac1deb194793a6f0ad5.png

▲长按加微信群或投稿

f28800c6534e8f31880081ec63dd1af3.png

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、激光/视觉SLAM、自动驾驶等）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近4000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

9d5ad0c8c0f867881bd445a149428889.png

 圈里有高质量教程资料、答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~  

Livox 学术小课堂｜基于高精度反射率的建图色彩优化
Livox_Lidar的博客
06-14 617
如何对激光雷达点云图进行色彩优化？武汉大学 VaST 课题组的建图色彩优化方法告诉你。
【免费下载】 Cartographer激光雷达建图与定位实战 - Livox Mid-360集成指南
gitblog_09708的博客
09-05 1496
Cartographer激光雷达建图与定位实战 - Livox Mid-360集成指南 【下载地址】Cartographer激光雷达建图与定位实战-LivoxMid-360集成指南 本项目专注于演示如何利用谷歌的Cartographer库，结合Livox Mid-360 3D激光雷达及其实测数据，实现室内或室外环境中的三...
详解Lio-livox中的建图与地图管理
3D视觉工坊
10-15 2187
lio-livox是livox官方在2021年开源的一款Lidar+IMU算法，可以用于livox mid360, horizon, HAP等不同型号的激光雷达运行LIO算法。然而，笔者并没有在网上找到详细的原理说明文档，因此尝试通过代码分析算法原理。之前一次的推送介绍了特征提取部分，本次介绍建图和地图管理部分。由于能力有限，难免解读出现错误，请读者即使批评指正。1. PoseEstimation...
LiLi-OM: 面向高性能固态激光雷达惯性里程计和建图系统
Soverngity的博客
02-03 2950
论文：https://arxiv.org/abs/2010.13150 源码：https://github.com/KIT-ISAS/lili-om Towards High-Performance Solid-State-LiDAR-Inertial Odometry and Mapping
五. 激光雷达建图和定位方案-开源SLAM
weixin_36773706的博客
10-17 1005
针对此问题，Fast-Lio 采用的新的卡尔曼增益计算方法，需要求逆的矩阵的规模仅与状态量的规模相关，而非观测的规模。Fast-Lio 兼容旋转式机械激光雷达和 Livox 固态激光雷达，首先对点云做特征提取，并用 IMU递推对特征点做去畸变，然后将激光观测和 IMU预测放到 iESKF 中估计当前时刻的 Position、Velocity、Orientation、Bias 和 Gravity 18维度状态量，所有这些状态量都是位于世界坐标系下的。发布优化后的雷达里程计，包括增量的；然后就认为形成了回环。
livox Avia 使用 fast-lio 算法建图时的配置
m0_52765390的博客
03-19 2073
"broadcast_code": "1PQDH5B00100041",将broadcast_code改为上述的广播码。"/>，将 default 数值变成 livox Avia 激光雷达的广播码（该广播码一般在设备背面贴着，共14位，在这14位后面+X(AVIA一般后面都添1)livox_ros_driver驱动包。livox_ros_driver驱动包。包，网上有很多教程。fast_lio算法。
Cartographer建图与定位（Livox Mid-360）
09-06
在本文中，我们将深入探讨如何使用Livox Mid-360雷达传感器以及其内置的惯性测量单元（IMU）来实现Cartographer的建图与定位功能。Cartographer是一款高效、实时的SLAM（Simultaneous Localization and Mapping，即...
基于ROS2的cartogarpher 3D建图和定位 （官方包+自己的包）,离线与在线（基于livox-mid-360）
05-27
项目的关键知识点包括ROS2、cartographer、3D建图与定位、离线与在线操作、livox-mid-360激光雷达、以及相关配置。通过这些技术的结合，可以在不同的应用场景中实现精确的机器人导航和环境映射。
大疆激光雷达 Livox Avia用户手册
06-22
- **简介**：Livox Avia是一款由大疆推出的固态激光雷达，它以其远量程、高精度、宽视角、轻巧体积和高可靠性而闻名。这款设备非常适合应用于测绘、车联网（Vehicle-to-Everything，简称V2X）、机器人等领域。 - **...
基于ROS2的Livox激光雷达驱动程序C++设计源码
11-08
该项目为ROS2框架下的Livox激光雷达驱动程序，采用C++作为主要编程语言，并包含C、Python等辅助语言。整个项目结构包含101个文件，具体包括53个头文件（h）、14个C++源文件（cpp）、7个Python脚本（py）、5个头文件...
livox_mapping:Livox LiDAR的映射包
05-03
Livox_mapping Livox_mapping是Livox LiDAR的映射包。 该软件包当前包含低速映射的基本功能。 一些关键问题： 支持多个livox激光雷达； 不同特征提取； 对于较小的FOV情况，请删除里程表； 在开发包时，我们引用LOAM，LOAM_NOTED。 1.先决条件 1.1 Ubuntu和ROS Ubuntu 64位16.04或18.04。 ROS动力学或旋律。 1.2。 PCL &&本征&& openCV 遵循。 按照本。 遵循。 1.3。 livox_ros_driver 遵循。 2.建立 克隆存储库和catkin_make： cd ~/catkin_ws/src git clone https://github.com/Livox-SDK/livox_mapping.git cd .. catkin_mak
ubuntu16下利用loam_livox建图
weixin_51684916的博客
08-10 2336
0 引言 最近在学习slam建图，想尝试使用大疆mid40利用loam_livox来进行建图，整个过程中遇到了特别多的坑，重装了五六次系统，所幸尝试之前将系统镜像了。 这个算法不需要里程计，利用激光雷达发布的实时点云信息或者录制的bag包均可实时建图。 loam_livox建图需要安装ceres_solver、eigen3、pcl1.9。个人感觉最困难的地方就在这里，pcl版本官方是给定了的，需要将ubuntu16自带的pcl1.7升级为pcl1.9，而ce...
ubuntu20.04使用livox_horizon以及oak-d-pro运行r3live建图
hummter的博客
12-17 985
其实跑这个算法最麻烦的是标定，你的相机要和雷达有固定的相对位置，因为我没有专业标定工具，所以只用棋盘格标定了一下相机内参，并且标定过程并不太专业，所以请参考站内标定教程。标定后来看和官方的差不了太多。所以如果实在没有条件标定，直接用官方的也能凑合。
livox_mapping
weixin_58021155的博客
03-22 5248
livox_mapping
探索未来感知：LIO-Livox - 一款高效、精准的三维激光雷达SLAM解决方案
gitblog_00095的博客
04-15 742
探索未来感知：LIO-Livox - 一款高效、精准的三维激光雷达SLAM解决方案 在现代科技领域中，三维激光雷达（LiDAR）是自动驾驶、机器人导航和环境感知的关键技术之一。【项目链接】<> 提供了一个名为 LIO-Livox 的开源项目，它是一个专为 Livox LiDAR 设备设计的轻量级、高效率的Simultaneous Localization And Mapping (SL...
【亲测免费】 Livox_mapping：高效精准的Livox LiDAR地图构建工具
gitblog_00448的博客
10-10 1047
Livox_mapping：高效精准的Livox LiDAR地图构建工具 项目介绍 Livox_mapping 是一个专为Livox LiDAR设计的地图构建包。该包目前包含了低速环境下的基本地图构建功能，能够高效地处理来自Livox LiDAR的数据，生成精确的地图。通过支持多种Livox LiDAR型号，Livox_mapping为用户提供了灵活的选择，适用于不同的应用场景。 ...
探索未来地图构建：Livox-Mapping，一款高效LiDAR-Inertial定位系统
gitblog_00088的博客
05-22 730
探索未来地图构建：Livox-Mapping，一款高效LiDAR-Inertial定位系统 在这个充满无限可能的科技时代，我们正在通过开源的力量改变着导航和地图构建的方式。今天，向大家隆重推荐一款基于Livox LiDAR的全方位、即插即用的LiDAR-Inertial Odometry系统——Livox-Mapping。它不仅继承了LIO-Livox的强大功能，还进行了多项创新优化，旨在为您提供...
探索未知，尽在Livox-Mapping：一体化激光雷达惯性导航系统
gitblog_00670的博客
08-09 485
探索未知，尽在Livox-Mapping：一体化激光雷达惯性导航系统 Livox-MappingAn all-in-one and ready-to-use LiDAR-inertial odometry system for Livox LiDAR项目地址:https://gitcode.com/gh_mirrors/li/Livox-Mapping 项目简介 Livox-Mapping是一个...
LIO-SAM 与深度相机归一
最新发布
06-11
### LIO-SAM 与深度相机的归一化处理及集成方式 #### 1. 深度相机数据的归一化处理 在将深度相机的数据与 LIO-SAM 集成时，深度信息需要进行归一化以适应算法的需求。通常，深度相机提供的是像素级的深度值，而 LIO-SAM 需要的是三维点云形式的数据。因此，归一化过程包括以下步骤： - **深度图到点云的转换**：通过相机内参矩阵将深度图中的每个像素映射为三维空间中的点[^2]。 - **坐标系对齐**：确保深度相机的坐标系与激光雷达和 IMU 的坐标系一致。这通常需要进行外参标定，以获得深度相机相对于其他传感器的姿态变换矩阵[^3]。 #### 2. 深度相机与 LIO-SAM 的集成方式 LIO-SAM 可以通过融合深度相机提供的稠密深度信息来增强其定位和建图性能。以下是集成的主要方式： - **直接点云融合**：将深度相机生成的点云与激光雷达点云合并后输入到 LIO-SAM 中。这种方法要求深度相机的采样频率与激光雷达相近，否则可能导致时间同步问题[^3]。 - **特征级融合**：提取深度相机图像中的几何特征（如边缘、平面）并与激光雷达的特征进行匹配，从而提高地图的精度和鲁棒性[^2]。 #### 3. 参数调整 为了使 LIO-SAM 更好地适配深度相机，需要调整以下关键参数： - **深度相机的误差模型**：根据深度相机的规格设置深度误差和角度误差。例如，对于某些深度相机，可以参考类似 Livox Avia LiDAR 和 OS1-16 的配置，分别调整深度误差为 0.02 米和角度误差为 0.05 度[^2]。 - **时间下采样比例**：如果深度相机的帧率较高，可以通过时间下采样减少数据量，避免计算资源过载。例如，LIO-SAM 默认对激光雷达点云进行 1:3 的时间下采样[^2]。 - **体素地图参数**：调整体素地图的根体素大小和八叉树的最大层数，以平衡地图的分辨率和存储效率。例如，根体素大小可设置为 0.5 米，最大层数为 3[^2]。 #### 4. 硬件适配 硬件适配是实现深度相机与 LIO-SAM 集成的关键步骤。以下是一些常见的适配方法： - **多传感器同步**：确保深度相机、激光雷达和 IMU 的数据能够精确同步。这通常需要使用硬件触发器或软件时间戳对齐技术[^3]。 - **计算平台选择**：由于深度相机数据处理需要较高的计算能力，建议使用高性能计算平台（如 Intel i7-10700K CPU 和 32 GB RAM）。如果需要降低功耗和成本，也可以考虑基于 ARM 的嵌入式平台（如 RB5®），但可能需要优化算法以适应较低的计算资源。 #### 代码示例：深度图到点云的转换 以下是将深度图转换为点云的代码示例： ```cpp // 将深度图转换为点云 void depthToPointCloud(const cv::Mat &depth, const Eigen::Matrix3d &intrinsics, pcl::PointCloud<pcl::PointXYZ>::Ptr &cloud) { cloud->clear(); for (int v = 0; v < depth.rows; ++v) { for (int u = 0; u < depth.cols; ++u) { float d = depth.at<float>(v, u); if (d > 0) { pcl::PointXYZ point; point.x = (u - intrinsics(0, 2)) * d / intrinsics(0, 0); point.y = (v - intrinsics(1, 2)) * d / intrinsics(1, 1); point.z = d; cloud->push_back(point); } } } } ``` ###
评论
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