测试新开源的激光SLAM回环检测算法“STD A Stable Triangle Descriptor for 3D place recognition”

10月前作者：小乌坞分类：Toy博客阅读(45) 违法举报

这篇具有很好参考价值的文章主要介绍了测试新开源的激光SLAM回环检测算法“STD A Stable Triangle Descriptor for 3D place recognition”。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。

测试新开源的激光SLAM回环检测算法“STD: A Stable Triangle Descriptor for 3D place recognition”

最近林博新开源了一个回环检测算法，我将其集成到自己常用的建图定位框架中检测效果。
原算法开源地址：“GitHub - hku-mars/STD: A 3D point cloud descriptor for place recognition”
自己测试的代码地址: “https://gitee.com/lxyzs/slam-demo/tree/loop_closing”
自己测的效果还不错，如图：

std回环检测,算法,3d,人工智能

文章来源地址https://www.toymoban.com/news/detail-788785.html

到了这里，关于测试新开源的激光SLAM回环检测算法“STD A Stable Triangle Descriptor for 3D place recognition”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！

分享到：

领支付宝红包赞助服务器费用

【激光SLAM】激光的前端配准算法

在激光SLAM中，前端配准（Frontend Registration）是实现定位和地图构建的关键步骤之一。它的作用是将当前帧的激光扫描数据与先前帧（或参考帧）的激光扫描数据进行配准，以获取它们之间的相对位姿变换。通过前端配准，激光SLAM系统可以实现对机器人在环境中的位置和姿

2024年02月19日
浏览(39)
RGB-L：基于激光雷达增强的ORB_SLAM3（已开源）

点云PCL免费知识星球，点云论文速读。文章：RGB-L: Enhancing Indirect Visual SLAM using LiDAR-based Dense Depth Maps 作者：Florian Sauerbeck， Benjamin Obermeier， Martin Rudolph 编辑：点云PCL 代码：https://github.com/TUMFTM/ORB_SLAM3_RGBL.git 欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈。文章仅

2024年02月07日
浏览(48)
激光slam：LeGO-LOAM---代码编译安装与gazebo测试

LeGO-LOAM 的英文全称是 lightweight and ground optimized lidar odometry and mapping 。轻量化具有地面优化的激光雷达里程计和建图其框架如下，大体和LOAM是一致的 LeGO-LOAM是基于LOAM的改进版本，其主要目的是为了实现小车在多变地形下的定位和建图，针对前端和后端都做了一系列的改进。

2024年02月15日
浏览(46)
3d激光slam建图与定位(1)_基于ndt算法定位

节点图匹配精度帧率做到100ms左右，纯ndt在2-3cm的位置误差，角度误差在0.2度左右一.代码实现流程二.ndt算法原理一.该算法定位有三个进程文件 1.map_loader.cpp用于点云地图的读取，从文件中读取点云后对这个点云地图进行旋转平移后发布点云地图到ros 2.points_downsampler.cpp对雷

2024年02月14日
浏览(45)
自动驾驶感知——激光雷达物体检测算法

输入 ❖ 点：X, Y, Z和反射强度R ❖ 点云：多个点的集合（无序的，非结构化的数据）输出 ❖ 目标的类别和置信度 ❖ 目标的边框（BoundingBox）中心点3D坐标，长宽高，旋转角度 ❖目标的其它信息速度，加速度等算法 ❖ 点云表示：点视图，俯视图，前视图如下表所

2024年02月06日
浏览(94)
十大最佳SLAM开源算法

香港大学开源激光雷达惯性视觉里程计FAST-LIVO 论文名：FAST-LIVO: Fast and Tightly-coupled Sparse-Direct LiDAR-Inertial-Visual Odometry 单位：香港大学火星实验室论文下载：https://arxiv.org/abs/2203.00893 代码地址：https://github.com/hku-mars/FAST-LIVO 录用：IROS2022 方法亮点：首先，系统采用Lidar、IMU和

2024年02月02日
浏览(37)
自动驾驶环境感知之激光雷达物体检测算法

前言：视觉感知包括二维和三维视觉感知，其最终目的是为了获取三维世界坐标系下感兴趣的目标和场景的信息。单目相机下，需要几何约束或者海量数据来学习，以此来推测三维信息。双目相机下，可基于立体视觉原理来计算目标的深度信息，但在光照条件比较差或者纹理

2024年01月23日
浏览(55)
从零入门激光SLAM（一）——什么是SLAM

大家好呀，我是一个SLAM方向的在读博士，深知SLAM学习过程一路走来的坎坷，也十分感谢各位大佬的优质文章和源码。随着知识的越来越多，越来越细，我准备整理一个自己的激光SLAM学习笔记专栏，从0带大家快速上手激光SLAM，也方便想入门SLAM的同学和小白学习参考，相信看

2024年02月05日
浏览(38)
SLAM算法评测工具——开源工具EVO（以VINS为例）

EVO库是一个很方便的开源库（Python package for the evaluation of odometry and SLAM）， evo是一个很好的测评工具，它可以根据时间戳将轨迹进行对齐，同时可以将不同尺度的轨迹按照你指定的标准轨迹进行拉伸对齐，并可以算出均方差等评定参数，用于测评slam算法性能。 github链接：

2023年04月21日
浏览(41)
Apollo官方课程算法解读笔记——激光雷达感知模块、基于PointPillars的激光雷达点云检测算法、PointPillars模型的部署和优化模型的部署和优化

感知模块检测效果：左边为摄像头拍摄图像，激光雷达感知不依赖左边CAMERA，而是点云数据对应的效果图（黄色上方数字为Tracking ID）主车红灯时的激光点云检测效果图车道线给CAMERA提供一个标定参考，使得camera检测出来的障碍物从2维转化为3维的信息，因为此标定的参考，

2024年02月14日
浏览(44)