以下內(nèi)容來(lái)自小六的機(jī)器人SLAM學(xué)習(xí)圈知識(shí)星球每日更新內(nèi)容

點(diǎn)擊領(lǐng)取學(xué)習(xí)資料 → 機(jī)器人SLAM學(xué)習(xí)資料大禮包

#論文##開(kāi)源# arxiv|南洋理工大學(xué)開(kāi)源Lio-Gvm：一種精確的、緊耦合的帶有高斯體素圖的激光雷達(dá)-慣性里程計(jì)
【LIO-GVM: an Accurate, Tightly-Coupled Lidar-Inertial Odometry with Gaussian Voxel Map】
作者單位：南洋理工大學(xué)
開(kāi)源代碼：GitHub-Ji1Xingyulio_gvm

文章地址：230617436LIO-GVManAccurateTightly-CoupledLidar-Ine...

這篇文章提出了一個(gè)精確而穩(wěn)健的激光雷達(dá)慣性里程計(jì)框架。我們使用緊耦合的迭代誤差狀態(tài)卡爾曼濾波器融合LiDAR掃描點(diǎn)云和IMU數(shù)據(jù)，以實(shí)現(xiàn)魯棒和快速的定位。為了實(shí)現(xiàn)穩(wěn)健的對(duì)應(yīng)匹配，我們將點(diǎn)表示為一組高斯分布，并評(píng)估方差的發(fā)散程度以剔除異常值。在擬合分布的基礎(chǔ)上，針對(duì)基于濾波的Lidar慣性里程計(jì)提出了一種新的殘差度量，從僅量化距離改進(jìn)為融入方差差異，進(jìn)一步豐富了殘差度量的全面性和準(zhǔn)確性。

由于殘差度量的策略性設(shè)計(jì)，我們提出了一個(gè)簡(jiǎn)單而有效的體素-體素建圖方案，該方案只需要為每個(gè)體素維護(hù)一個(gè)質(zhì)心和一個(gè)協(xié)方差矩陣。在不同數(shù)據(jù)集上的實(shí)驗(yàn)證明了本文的框架對(duì)于各種數(shù)據(jù)輸入和環(huán)境的魯棒性和準(zhǔn)確性。

以上內(nèi)容來(lái)自小六的機(jī)器人SLAM學(xué)習(xí)圈知識(shí)星球每日更新內(nèi)容

最后介紹一下我們最近的幾個(gè)學(xué)習(xí)活動(dòng)：

1、從零掌握GNSS、RTK定位

2、從零開(kāi)始ChatGPT編程

3、視覺(jué)動(dòng)態(tài)SLAM方向全梳理

4、快速入門(mén)激光雷達(dá)慣性SLAM-FastLio2

5、超棒的機(jī)器人SLAM圈！