点击上方“3D视觉工坊”，选择“星标”
干货第一时间送达
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。
https://github.com/PJLab-ADG/Livox-Mappinghttps://github.com/SiyuanHuang95/Livox-Localizationhttps://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。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。
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。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。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。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。
▲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
