lego_loam、lio_sam运行kitti(完成kitti2bag、evo测试)

这篇具有很好参考价值的文章主要介绍了lego_loam、lio_sam运行kitti(完成kitti2bag、evo测试)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

目录

一、工作空间的创建,功能包的编译等等

二、lego_loam运行、记录traj轨迹

三、evo对比使用

四、kitti2bag转换

五、lio_sam


一、工作空间的创建,功能包的编译等等

https://blog.csdn.net/qq_40528849/article/details/124705983

二、lego_loam运行、记录traj轨迹

1.运行 launch 文件

roslaunch lego_loam run.launch

注意:参数“/ use_sim_time”,对于模拟则设置为“true”,对于使用真实机器人则设置为“false”。

2. 播放bag文件

rosbag play *.bag --clock --topic  /velodyne_points  /imu/data

P.S.①运行上述指令时注意cd到存放rosbag文件的路径下

      ②虽然 /imu/data 是可选的,但如果提供的话,它可以大大提高估计的准确性。如果你的 IMU 帧与 Velodyne 帧不对齐,使用 IMU 数据将导致明显漂移。

      ③如果bag文件的话题不匹配,需要remap话题,如下:LeGO-LOAM的节点话题是/kitti/velo/pointcloud,而rosbag的节点话题是velodyne_points。笔者选择更改rosbag的节点话题,运行remap命令:

lego_loam、lio_sam运行kitti(完成kitti2bag、evo测试)

格式 :

rosbag play *.bag 发布的话题 := 算法接收的话题 --clock

举例:

-r 参数用来指定播放速度,3代表以3倍速度播放

rosbag play *.bag velodyne_points:=/kitti/velo/pointcloud  --clock  -r 3

LeGO_LOAM

rosbag play kitti_2011_10_03_drive_0034_synced_10hz.bag --clock --topics /kitti/velo/pointcloud

LIO_SAM

rosbag play kitti_2011_10_03_drive_0027_synced_100hz.bag --clock --topics /points_raw /imu_raw -r 0.1

-s 参数用于指定从几秒开始:

//从第10秒开始播放xx.bag

rosbag play -s 10 xx.bag 

rosbag使用介绍_rosbag play 指定时间_春至冬去的博客-CSDN博客

ROS系统学习笔记:bag的录制和播放 - 知乎

使用LeGO-LOAM运行KITTI数据集_Ocean_Controller的博客-CSDN博客

④运动轨迹的记录、kitti的64线的配置 代码修改参考如下:

//保存轨迹,需要修改轨迹的保存路径,保存的txt文件要提前建好。

在终端窗口,键入ctrl+c退出程序后,在对应路径文件下会写入tum格式的路径信息(当你在运行(lego_loam算法run.launch)的终端里按一次Ctrl + C时才会执行。按两次会保存不全,因此按一次就可以了。生成完后会自动停止。),如果想保存在其他路径下,需要在mapOptmization.cpp中的visualizeGlobalMapThread函数中修改路径:

LeGO-LOAM跑KITTI数据集评估方法【代码改】_lego loam跑kitti需要改什么_学无止境的小龟的博客-CSDN博客

值得注意的是:

        我按照上面博客修改方法保存位姿,测试kitti_06序列。发现evo怎么都对不齐位姿,即使用了-as命令也不行。就是差一点点,让人感觉是不是lego算法有误差?后来发现,这个轨迹像反的,尝试着把xyz取反跑一下。结果就完美匹配。

lego_loam、lio_sam运行kitti(完成kitti2bag、evo测试)
修改前
lego_loam、lio_sam运行kitti(完成kitti2bag、evo测试)
修改后

不过呢还是存在一个问题,roll和真值相比差了一个常量,如下图:

lego_loam、lio_sam运行kitti(完成kitti2bag、evo测试)

分享一下我的代码:

//保存轨迹信息(时间戳、xyz、旋转四元数q)
void visualizeGlobalMapThread(){
        ros::Rate rate(0.2);
        while (ros::ok()){
            rate.sleep();
            publishGlobalMap();
        }
        // save final point cloud
        std::cout << "start save final point cloud" << std::endl;
        std::cout << "======================================================" << std::endl;

        ofstream f;
        f.open("/home/nb/traj_slam/06_own_tum.txt");						
        f << fixed;
        //std::cout << "traj roll" << cloudKeyPoses6D->points[0].roll << std::endl;
        for(size_t i = 0;i < cloudKeyPoses3D->size();i++)
        {
            float cy = cos((cloudKeyPoses6D->points[i].yaw)*0.5);
            float sy = sin((cloudKeyPoses6D->points[i].yaw)*0.5);
            float cr = cos((cloudKeyPoses6D->points[i].roll)*0.5);
            float sr = sin((cloudKeyPoses6D->points[i].roll)*0.5);
            float cp = cos((cloudKeyPoses6D->points[i].pitch)*0.5);
            float sp = sin((cloudKeyPoses6D->points[i].pitch)*0.5);

            float w = cy * cp * cr + sy * sp * sr;
            float x = cy * cp * sr - sy * sp * cr;
            float y = sy * cp * sr + cy * sp * cr;
            float z = sy * cp * cr - cy * sp * sr;
            //save the traj  减掉第0个时间戳。cloudKeyPoses6D->points[0].time == 1317400962.039569
            f << setprecision(6) << (cloudKeyPoses6D->points[i].time-cloudKeyPoses6D->points[0].time) << " " << setprecision(9) << -1*(cloudKeyPoses6D->points[i].x) << " " << -1*(cloudKeyPoses6D->points[i].y) << " " << -1*(cloudKeyPoses6D->points[i].z) << " " << x << " " << y << " " << z << " " << w << endl;
        }

        f.close();
}

  ⑤(选做)打印话题、测试信息

 "a_loam和lego_loam在节点中订阅话题/aft_mapped_to_init,lio-sam要订阅lio_sam/mapping/odometryh话题(或者lio_sam/mapping/odometry_incremental,这两个好像没区别),这些都可以在算法的Map节点里找到。我看很多博客上对lego/lio的欧拉角进行了转化再保存,实际上它们都有自己发布的odom信息,直接订阅就可以保存了。"

LOAM、Lego-liom、Lio-sam轨迹保存,与Kitti数据集真值进行评估_kitti数据集轨迹_李97的博客-CSDN博客

在终端执行以下命令,可以查看打印pose:

rostopic echo /aft_mapped_to_init(odom的话题)

在终端执行以下命令,可以将pose保存到pose.txt中:

rostopic echo /aft_mapped_to_init > pose.txt

但是,这种方式不方便数据分析,需要以一定格式存储。

参考链接:

LeGO-LOAM初探:原理,安装和测试_W_Tortoise的博客-CSDN博客

三、evo对比使用

evo开源代码:https://github.com/MichaelGrupp/evo
evo 对姿态的数据格式有三种,分别为:TUM/EuRoC/Kitti     

区别为:

lego_loam、lio_sam运行kitti(完成kitti2bag、evo测试)


        进行odom的轨迹保存后进行评估,常用的指令主要包括三个:

1 evo_traj

evo_traj tum --ref=tum_00_gt.txt re_00_TUM.txt  -p --plot_mode xz -as

其中,-p参数绘制轨迹,--ref参数指定参考轨迹, -as参数将两条轨迹进行对齐

2 evo_ape

evo_ape评价的是绝对误差随路程的累计,是一个累积量。

evo_ape tum groundtruth.txt our.txt -as

max:最大误差(m)                        mean:误差均值
median:误差中位数                          min:最小误差
rmse:均方根误差                              sse:方差
std:标准差 

3 evo_rpe

evo_rpe相对位姿误差可以给出局部精度,例如slam系统每米的平移或者旋转漂移量。

其中--delta 100表示的是每隔100米统计一次误差,这样统计的其实就是误差的百分比,和kitti的odometry榜单中的距离误差指标就可以直接对应了。

evo_rpe tum Ground_Truth.txt Marked-LIEO\(ours\).txt --delta 100

轨迹评估工具使用总结(一) evo从安装到入门_evo工具起点对齐_Techblog of HaoWANG的博客-CSDN博客

lego-loam 跑 kitti00包(kitti2bag+lego-loam+evo)详细版_kitti00数据集_Cloudy_to_sunny的博客-CSDN博客

用于evo评估的里程计轨迹保存方法_evo保存轨迹_dear小王子的博客-CSDN博客


evo的旋转对齐命令,如下:

–align/-a 采用SE(3) Umeyama对齐,只处理平移和旋转
–align --correct_scale/-as 采用Sim(3) Umeyama对齐,同时处理平移旋转和尺度
–correct_scale/-s 仅对齐尺度

SLAM精度评定工具——EVO使用方法详解_有了个相册的博客-CSDN博客


evo的tum转kitti命令,如下:

lego_loam、lio_sam运行kitti(完成kitti2bag、evo测试)

evo_traj tum KeyFrameTrajectory_TUM.txt --save_as_kitti

用evo工具分析ORB-SLAM2运行TUM,KITTI,EuRoC数据集轨迹_m0_60355964的博客-CSDN博客


四、kitti2bag转换

看了几个转换算法,最后还是选用了kitti2bag.

lidar2rosbag_kitti :

        这里阿里员工在github上开源的工具包,

        优点:据说可以解决各种类型数据集的转换问题。

        缺点:从名字可以看出来,转换后只有lidar话题数据,所以我也没试过。

kitti_lego_loam:

        代码:https://github.com/Mitchell-Lee-93/kitti-lego-loam

        该code里面是两个功能包,一个是将kitti数据集转换成bag,另一个就是修改了一点的lego-loam代码:1.修改雷达参数(kitti数据集的lidar是64线)2.关闭了运动补偿 3.为了评测,保存了位姿数据,也就是记录了轨迹。
        测试该代码出现错误:转换出来只有4.1kb。原博主给我指出了问题:“数据集文件夹的子文件夹名字是sequence,c程序里设定是sequences,有一个s的差别,可能导致读取不到数据集。另外查看路径是否正确,文件夹名字摆放位置是否正确。生成4.1kb一般是没有读取到源文件。”但是我检查发现,命名是正确的。找不到原因,因此也就放弃了这个方法。

kitti2bag:(推荐)

        (同步imu10hz)代码:GitHub - tomas789/kitti2bag: Convert KITTI dataset to ROS bag file the easy way!

        (原始imu100hz)代码:GitHub - TixiaoShan/LIO-SAM: LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping

        kitti2bag是kitti官网推荐的转换包,优点是既能够转换同步后的数据中,imu的频率在10Hz左右,也能转换原始的100Hz的IMU数据,该方法同时使用原始数据(extract)和同步数据(synced)制作数据包。

下面是kitti2bag的具体操作流程:        

1、该博客手把手图片教学,挺方便。

将KITTI数据集转化为ROS bag包——kitti2bag使用教程_kitti rosbag_Kadima°的博客-CSDN博客

不过我看好多博客下面评论,不知道在哪下载数据集,下载真值等等。

官网如下:The KITTI Vision Benchmark Suite

先科学上网,再注册,然后找raw data,进去找residential,再按下图找对应的序列。

lego_loam、lio_sam运行kitti(完成kitti2bag、evo测试)

数据区别:100Hz的IMU数据在 [unsynced+unrectified data] 中,而 [synced+rectified data] 保存的是修正后的10Hz数据。

lego_loam、lio_sam运行kitti(完成kitti2bag、evo测试)


我按照参考方法,产生了4.1kb的bag包,报错信息说找不到相关文件。所以我新建了一个2011_09_30的文件,这下就成功了。分享一下我的文件目录。

lego_loam、lio_sam运行kitti(完成kitti2bag、evo测试)

首先cd到2011_09_30文件夹所在的目录,然后执行如下命令: 

kitti2bag -t 2011_09_30 -r 0020 raw_synced 

该命令中,2011_09_30下载并解压后的数据集目录,0020是drive的地址序号,raw_synced表示加载的文件是raw_data。

转换后的bag文件太大了,因此使用命令进行了压缩。

rosbag compress --lz4 *.bag


2、该博客提供了序列对应表格,序列图,最重要的是,在文末她说:“同步后的数据中,imu的频率在10Hz左右,如果需要100Hz的IMU数据,可以参考LIO-SAM【项目地址】中作者改过的kitti2bag文件。该方法同时使用原始数据(extract)和同步数据(synced)制作数据包。”

lego_loam、lio_sam运行kitti(完成kitti2bag、evo测试)

# kitti2bag(原始imu数据100hz)

## How to run it?

```bash
wget https://s3.eu-central-1.amazonaws.com/avg-kitti/raw_data/2011_09_26_drive_0084/2011_09_26_drive_0084_sync.zip
wget https://s3.eu-central-1.amazonaws.com/avg-kitti/raw_data/2011_09_26_drive_0084/2011_09_26_drive_0084_extract.zip
wget https://s3.eu-central-1.amazonaws.com/avg-kitti/raw_data/2011_09_26_calib.zip
unzip 2011_09_26_drive_0084_sync.zip
unzip 2011_09_26_drive_0084_extract.zip
unzip 2011_09_26_calib.zip
python kitti2bag.py -t 2011_09_26 -r 0084 raw_synced .
```

That's it. You have a bag that contains your data.

Other source files can be found at [KITTI raw data](http://www.cvlibs.net/datasets/kitti/raw_data.php) page.

KITTI数据集_木子雨舟的博客-CSDN博客

lego_loam、lio_sam运行kitti(完成kitti2bag、evo测试)

执行命令后报错:

Traceback (most recent call last):
  File "kitti2bag.py", line 17, in <module>
    from tqdm import tqdm
ImportError: No module named tqdm

第一次跑,报错的原因是缺少tqdm包,我们只需要安装一下就行。

pip install tqdm

成功截图:

lego_loam、lio_sam运行kitti(完成kitti2bag、evo测试)

在kitti 06序列上,进行原始数据和优化后数据的evo_traj对比,如下图:

可以看出优化后的轨迹06_own_tum更优,与真值轨迹较近。

lego_loam、lio_sam运行kitti(完成kitti2bag、evo测试)

在kitti 06序列上,进行原始数据和优化后数据的ape、rpe对比,如下图:

 lego_loam、lio_sam运行kitti(完成kitti2bag、evo测试)             lego_loam、lio_sam运行kitti(完成kitti2bag、evo测试)

SLAM精度评定工具——EVO使用方法详解_有了个相册的博客-CSDN博客


五、lio_sam

为了适配kitti数据集,我们需要修改参数和代码,来满足lio_sam对ring 和 time的要求。

5.1、修改参数

params.yaml文件修改:

  # Topics  for processing kitti by author
  pointCloudTopic: "/points_raw"           		# Point cloud data/  for kitti  "/kitti/velo/pointcloud"
  imuTopic: "/imu_raw"                         	# IMU data/ for kitti  "/kitti/oxts/imu"
  odomTopic: "odometry/imu"                   	# IMU pre-preintegration odometry, same frequency as IMU
  gpsTopic: "odometry/gpsz"                   	# GPS odometry topic from navsat, see module_navsat.launch file
  
  # Sensor Settings
  sensor: velodyne                            # lidar sensor type, 'velodyne' or 'ouster' or 'livox'
  N_SCAN: 64                                  # number of lidar channel (i.e., Velodyne/Ouster: 16, 32, 64, 128, Livox Horizon: 6)
  Horizon_SCAN: 1800                          # lidar horizontal resolution (Velodyne:1800, Ouster:512,1024,2048, Livox Horizon: 4000)
  downsampleRate: 2                           # default: 1. Downsample your data if too many points. i.e., 16 = 64 / 4, 16 = 16 / 1
  lidarMinRange: 1.0                          # default: 1.0, minimum lidar range to be used
  lidarMaxRange: 1000.0                       # default: 1000.0, maximum lidar range to be used 
 
  # lidar到imu的平移
  extrinsicTrans: [8.086759e-01, -3.195559e-01, 7.997231e-01]
  # imu到lidar的旋转
  extrinsicRot: [9.999976e-01, 7.553071e-04, -2.035826e-03, -7.854027e-04, 9.998898e-01, -1.482298e-02, 2.024406e-03, 1.482454e-02, 9.998881e-01]
  extrinsicRPY: [9.999976e-01, 7.553071e-04, -2.035826e-03, -7.854027e-04, 9.998898e-01, -1.482298e-02, 2.024406e-03, 1.482454e-02, 9.998881e-01]

注意点:
1、配置文件(params.yaml)内的参数通过参数服务器传送进源程序,会覆盖掉头文件内(utility.h)的对应参数。
2、其中extrinsicRot表示imu -> lidar的坐标变换,用于旋转imu坐标系下的角速度和线加速度到lidar坐标系下,extrinsicRPY则用于旋转imu坐标系下的欧拉角(姿态信息)到lidar坐标下,由于lio-sam作者使用的imu的欧拉角旋转指向与lidar坐标系不一致,因此使用了两个不同的旋转矩阵,但是大部分的设备两个旋转应该是设置为相同的。 

在Ubuntu20.04系统上LIO-SAM跑KITTI数据集和自己数据集代码修改_学无止境的小龟的博客-CSDN博客

5.2、修改代码(产生ring、time、保存tum格式的轨迹)

utility.h文件修改:

    // add by sx
    bool has_ring;
    float ang_bottom;
    float ang_res_y;

    ParamServer()
    {
        nh.param<std::string>("/robot_id", robot_id, "roboat");

        nh.param<std::string>("lio_sam/pointCloudTopic", pointCloudTopic, "points_raw");
        nh.param<std::string>("lio_sam/imuTopic", imuTopic, "imu_correct");
        nh.param<std::string>("lio_sam/odomTopic", odomTopic, "odometry/imu");
        nh.param<std::string>("lio_sam/gpsTopic", gpsTopic, "odometry/gps");

        // add by sx
        nh.param<bool>("lio_sam/has_ring", has_ring, true);
        nh.param<float>("lio_sam/ang_bottom", ang_bottom, 15.0);
        nh.param<float>("lio_sam/ang_res_y", ang_res_y, 1.0);
    
        ..............
    }

 cloud_info.msg文件修改:

# 用于改写ring和time相关
float32 startOrientation
float32 endOrientation
float32 orientationDiff

imageProjection.cpp文件修改:

   void projectPointCloud()
    {

        int cloudSize = laserCloudIn->points.size();

        bool halfPassed = false;
        cloudInfo.startOrientation = -atan2(laserCloudIn->points[0].y, laserCloudIn->points[0].x);
        cloudInfo.endOrientation   = -atan2(laserCloudIn->points[laserCloudIn->points.size() - 1].y,
                                                     laserCloudIn->points[laserCloudIn->points.size() - 1].x) + 2 * M_PI;
        if (cloudInfo.endOrientation - cloudInfo.startOrientation > 3 * M_PI) {
            cloudInfo.endOrientation -= 2 * M_PI;
        } else if (cloudInfo.endOrientation - cloudInfo.startOrientation < M_PI)
            cloudInfo.endOrientation += 2 * M_PI;
        cloudInfo.orientationDiff = cloudInfo.endOrientation - cloudInfo.startOrientation;

        // range image projection
        for (int i = 0; i < cloudSize; ++i)
        {
            PointType thisPoint;
            thisPoint.x = laserCloudIn->points[i].x;
            thisPoint.y = laserCloudIn->points[i].y;
            thisPoint.z = laserCloudIn->points[i].z;
            thisPoint.intensity = laserCloudIn->points[i].intensity;
            float range = pointDistance(thisPoint);
            if (range < lidarMinRange || range > lidarMaxRange)
                continue;


            //从此处开始           
            int rowIdn = -1;
            if (has_ring == true){
                rowIdn = laserCloudIn->points[i].ring;
            }
            else{
                float verticalAngle, horizonAngle;
                verticalAngle = atan2(thisPoint.z, sqrt(thisPoint.x * thisPoint.x + thisPoint.y * thisPoint.y)) * 180 / M_PI;
                rowIdn = (verticalAngle + ang_bottom) / ang_res_y;
            }

            if (rowIdn < 0 || rowIdn >= N_SCAN)
                continue;

            if (rowIdn % downsampleRate != 0)
                continue;


            int columnIdn = -1;
            if (sensor == SensorType::VELODYNE || sensor == SensorType::OUSTER)
            {
                float horizonAngle = atan2(thisPoint.x, thisPoint.y) * 180 / M_PI;
                static float ang_res_x = 360.0/float(Horizon_SCAN);
                columnIdn = -round((horizonAngle-90.0)/ang_res_x) + Horizon_SCAN/2;
                if (columnIdn >= Horizon_SCAN)
                    columnIdn -= Horizon_SCAN;
            }
            else if (sensor == SensorType::LIVOX)
            {
                columnIdn = columnIdnCountVec[rowIdn];
                columnIdnCountVec[rowIdn] += 1;
            }
            
            if (columnIdn < 0 || columnIdn >= Horizon_SCAN)
                continue;

            if (rangeMat.at<float>(rowIdn, columnIdn) != FLT_MAX)
                continue;

            if (has_ring == true)
                thisPoint = deskewPoint(&thisPoint, laserCloudIn->points[i].time);
            else {
                    float ori = -atan2(thisPoint.y, thisPoint.x);
                    if (!halfPassed) {
                        if (ori < cloudInfo.startOrientation - M_PI / 2) {
                            ori += 2 * M_PI;
                        } else if (ori > cloudInfo.startOrientation + M_PI * 3 / 2) {
                            ori -= 2 * M_PI;
                        }
                        if (ori - cloudInfo.startOrientation > M_PI) {
                            halfPassed = true;
                        }
                    } else {
                        ori += 2 * M_PI;
                        if (ori < cloudInfo.endOrientation - M_PI * 3 / 2) {
                            ori += 2 * M_PI;
                        } else if (ori > cloudInfo.endOrientation + M_PI / 2) {
                            ori -= 2 * M_PI;
                        }
                    }
                    float relTime = (ori - cloudInfo.startOrientation) / cloudInfo.orientationDiff;
                    // 激光雷达10Hz,一帧0.1秒
                    laserCloudIn->points[i].time = 0.1 * relTime;
                    thisPoint = deskewPoint(&thisPoint, laserCloudIn->points[i].time);
            }


            rangeMat.at<float>(rowIdn, columnIdn) = range;

            int index = columnIdn + rowIdn * Horizon_SCAN;
            fullCloud->points[index] = thisPoint;
        }
    }

保存tum格式的轨迹

在mapOptmization -> void publishOdometry()增加下面代码:

//保存轨迹,path_save是文件目录,txt文件提前建好,/home/xxx/xxx.txt,
std::ofstream pose1("/home/nb/traj_slam/lio_sam/100hz_own_tum.txt", std::ios::app);
pose1.setf(std::ios::scientific, std::ios::floatfield);
pose1.precision(9);
// if(flag_tum=1){
static double timeStart = laserOdometryROS.header.stamp.toSec();
// flag_tum=0;
// }
auto T1 =ros::Time().fromSec(timeStart) ;
// tf::Quaternion quat;
// tf::createQuaternionMsgFromRollPitchYaw(double r, double p, double y);//返回四元数
pose1<< laserOdometryROS.header.stamp -T1<< " "
     << -laserOdometryROS.pose.pose.position.x << " "
     <<- laserOdometryROS.pose.pose.position.z << " "
     << -laserOdometryROS.pose.pose.position.y<< " "
     << laserOdometryROS.pose.pose.orientation.x << " "
     << laserOdometryROS.pose.pose.orientation.y << " "
     << laserOdometryROS.pose.pose.orientation.z << " "
     << laserOdometryROS.pose.pose.orientation.w << std::endl;
pose1.close();

遇到的问题:lio_sam跑kitti总跑飞,Large velocity, reset IMU-preintegration!

解决方法:在参数配置正确的情况下,降低bag播放速度。(找这个问题花了2天时间!)

rosbag play your_bag.bag -r 0.1   //以0.1倍速播放bag包


使用KITTI跑LIOSAM并完成EVO评价_小霍金的博客-CSDN博客

使用开源激光SLAM方案LIO-SAM运行KITTI数据集,如有用,请评论雷锋_我兔会飞的博客-CSDN博客

LIO-SAM:配置环境、安装测试、适配自己采集数据集_有待成长的小学生的博客-CSDN博客文章来源地址https://www.toymoban.com/news/detail-454396.html


到了这里,关于lego_loam、lio_sam运行kitti(完成kitti2bag、evo测试)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 3D激光雷达-Robotsense使用---LIO_SAM测试

    1. 参考链接 TixiaoShan/LIO-SAM: LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping lio-sam运行自己的rosbag_heirenlop的博客-CSDN博客 LIO-SAM:配置环境、安装测试、适配自己采集数据集_有待成长的小学生的博客-CSDN博客_lio-sam 2. 雷达驱动-更改点云类型 运行lio-sam需要用到 ring 和

    2024年02月03日
    浏览(41)
  • lio_sam+move_base导航仿真实现

    参考https://py1995.blog.csdn.net/article/details/137286327?spm=1001.2014.3001.5502 参考https://py1995.blog.csdn.net/article/details/137539651?spm=1001.2014.3001.5502

    2024年04月10日
    浏览(36)
  • 基于ubuntu20.04 环境跑通LIO_SAM重定位

    link 作为LOAM重要的一个变种,LIO_SAM基本上算是这个系列里面知识点最全面。这个软件框架包含了去畸变、特征点提取(角点、平面点)、前端、后端、回环,同时软件框架还融合了IMU信息,可以配置融合GPS信息。当然这种紧耦合方式也有一些缺点,要求传感器的时间同步做的

    2024年02月06日
    浏览(39)
  • LeGO-LOAM(1):运行LeGO-LOAM

    目录 # 1 安装与编译 ## 1.1 依赖项 ### 1.1.1 ros ### 1.1.2 gtsam ## 1.2 编译 # 2 系统介绍 # 3 运行demo ### 3.1 数据下载 ### 3.2 数据描述 ### 3.3 demo运行 ####(1)运行launch文件 ####(2)播放数据文件 #### (3)demo运行效果 # 4 Stevens data-set ## 4.1 数据下载 ## 4.2 数据说明与播放数据包方式 ## 4.

    2023年04月26日
    浏览(45)
  • 在Ubuntu20.04系统上LIO-SAM跑KITTI数据集和自己数据集代码修改

    参考我的另一篇文章: Ubuntu20.04下的编译与运行LIO-SAM【问题解决】 因为liosam 要求输入的点云每个点都有ring 信息和相对时间time信息,目前的雷达驱动基本具备这些信息,但是早期的KITTI数据集不具备,所以代码要自己计算一下 ring和time。方法可以参考lego-loam中这部分内容,

    2024年02月01日
    浏览(45)
  • A-loam运行kitti及轨迹保存

    目录 运行kitti数据集 方法一、使用rosbag播放 方法二、使用kitti_helper.launch 故障:rviz界面没有图像 查看rosbag发布的topic a-loam代码中所接收的topic rqt 启动rqt 查看rqt界面 保存轨迹 方法一、简单的  方法二、使用ros::Subscriber和回调函数 方法三、创建新节点用于保存轨迹 小结 总结

    2024年02月15日
    浏览(42)
  • 多传感器融合SLAM --- 5.Lego-LOAM论文解读及运行

    目录 1 Lego LOAM框架简介 2 论文解读 2.1 摘要部分 2.2 INTRODUCTION部分 2.3 系统描述

    2024年02月08日
    浏览(58)
  • LIO-SAM学习与运行测试数据集

    环境配置: ubuntu18.04, ros1(ros-melodic) 注: 在ros1的kinetic, melodic, noetic(https://github.com/TixiaoShan/LIO-SAM/issues/206)上被测试过; ros1的github代码: https://github.com/TixiaoShan/LIO-SAM/tree/master ros2的github代码: https://github.com/TixiaoShan/LIO-SAM/tree/ros2 论文:LIO-SAM:Tightly-coupled Lidar Inertial Odometry vis Smoothin

    2023年04月16日
    浏览(43)
  • LIO-SAM从0到1运行自己的数据集

    ​ 笔者在学习LIO_SAM时踩了不少坑,在此记录从开始到最后整个踩坑过程。文中参考了很多大佬的文章,我只是个搬运工。 可以直接跳到第二部分从0到1实现 有疑问可以随时联系我,欢迎交流。 ⼀种激光惯导紧耦合的SLAM框架,可在室内和室外实现效果不错的建图。 (1) Image

    2024年02月02日
    浏览(40)
  • Ubuntu20.04 ROS noetic中编译和运行LIO-SAM

    本文是对自己学习过程的一个记录和总结,如果内容有误,请大家指点,感谢。         本文是在已经安装好ROS环境中进行的,不需要提前安装其他库,只需按照步骤进行操作,便能完成LIO-SAM的编译和运行,并且每一步都有我执行时的截图进行参考。 1.【创建工作空间】

    2024年03月24日
    浏览(57)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包