问题标签 [slam]

我正在尝试使用 boost 保存由 ORB-SLAM 构建的地图，该代码在 linux 中运行良好，但是当我将其移动到 Windows 时，我在加载数据时遇到了异常。下面是我的部分代码，这是一个大项目，所以我只展示相关代码。

.h 中的一些代码

CPP简介

调用函数如下：

在 Linux 中保存和加载都可以，但是加载只会抛出 boost::archive::archive_exception 问题，没有告诉我任何细节。

有没有人尝试过开发一个使用深度学习特征而不是经典AKAZE/ORB/SURF特征的 SLAM 系统？

浏览最近的计算机视觉会议，似乎有不少关于成功使用神经网络来提取特征和描述符的报告，并且基准测试表明它们可能比经典的计算机视觉等效物更强大。我怀疑提取速度是个问题，但假设一个有不错的 GPU（例如 NVidia 1050），那么在具有深度学习特征的 640x480 灰度图像上构建一个以 30FPS 运行的实时 SLAM 系统是否可行？

我有一个简单的捆绑调整功能，使用 g2o 库来优化相机姿势和 3d 地图点。我传入两个KeyFrames，每个包含：

以及 a vectorof Mappoint，其中包含：

我的功能是：

我运行该功能，它似乎可以工作，打印：

但是我怎样才能验证这些结果呢？g2o 中有没有办法在运行优化之前和之后打印重投影错误？或者我在上述结果中需要的信息是否在某处？

SLAM 使用 RpLiDar 和 ROS

您好，我有一个包含两列 [Degrees, Distance] 的表格，我需要显示该信息以围绕我的位置制作地图。任何人都知道这样做的好方法，例如每次我在中心并且我检测到 90 度是什么，所以我在那里打印一个点。

我正在使用 Ubuntu 18.04 LTS、Python 2.7.15、ROS melodic 和 RpLidar A2M8

编辑

我用它来绘制我的极坐标表，但我不知道如何实时绘制它

我试图找出一种基于数据向量计算滚动总和值的方法。下面是一个示例数据框和我试图计算的答案，但无法找出正确的解决方案。本质上，我试图将每个 x 列值乘以 y 向量并根据周期求和。

我查看了 slam 包以及 crossprod 功能，但无济于事。

提前致谢！

我正在寻找在世界上特定位置放置和稳定对象的最佳解决方案。我考虑了解 3D 环境及其特征点，以便对环境进行完整的 3D“扫描”，并以此了解 AR 对象的位置。

我尝试过使用 ARCore 云锚点，但不幸的是，只依赖一个锚点，在光线投射和平面的交叉处，并没有给我稳定的对象——它出现在不同的地方并且没有保持稳定，这就是为什么我想了解如何使用环境的最佳 3D 扫描。

我也愿意听听其他技术。

谢谢！

在工业领域，一个机器人会捡起苹果并把它们分拣出来。机器人会快速移动。在这种情况下，如果有人靠近机器人，它应该放慢速度。为此，我想使用固定位置的 Rplidar A2。使用 Rplidar 我想检测任何人或其他障碍物正在接近危险区域。到目前为止，使用 Rplidar python 包我能够从中提取数据。由于我是全新的，我不知道如何实现这一点。

我在想我可以事先使用 hector slam 进行环境映射，我在这里看到过，这样机器人就可以感知环境，然后当环境发生变化时，它可以决定是否有人或障碍物靠近机器人或不是。在我得到环境的图像之后，下一步是什么？图像处理是 nedded 吗？

如果有人告诉我如何实现这一目标，我会很高兴，

我目前正在一个真正的TurtleBot(ROS Kinetic)中测试几种 slam 算法。尽管 TurtleBot 上的一切似乎都运行良好，但我在来自基于里程计的 slam 算法的地图上遇到了一个问题。尽管我更改了TurtleBot底座以确定底座是否存在硬件或里程计问题，但地图保持不变。我使用的激光雷达最大射程可达 17m。

Gmapping（使用里程计）我用这些参数测试了gmapping：

整个实验室测试的Gmapping的地图在这里：

KartoSlam（使用里程计） KartoSlam 生成的地图在实验室的房间中使用默认参数进行测试是这样的。

CRSM Slam（未使用里程计） CRSM Slam 生成的地图在实验室房间进行测试，不使用里程计。如您所见，CRSM 地图比前两个要好得多。

问题：

既然我已经在两个不同的 TurtleBots 上尝试过算法，我应该在哪里寻找解决方案？我怎么能提高地图质量，因为到目前为止我得到的真的很差？

我有一个包含一些极坐标数据的网格，模拟从激光雷达获得的数据以解决 SLAM 问题。网格中的每一行代表角度，每一列代表一个距离。网格中包含的值存储了笛卡尔世界占用地图的加权概率。

转换为笛卡尔坐标后，我得到如下内容：

此映射旨在用于具有至少 10 个粒子的 FastSLAM 应用程序。我获得的性能对于可靠的应用程序来说还不够好。

我尝试使用嵌套循环，使用 scipy.ndimage.geometric_transform 库并使用预先计算的坐标直接访问网格。

在这些示例中，我使用的是 800x800 网格。

嵌套循环：大约 300 毫秒

Scipy 库（在此处描述）：aprox 2500ms（因为它插入了空单元格，所以得到更平滑的结果）

预计算索引：80ms

我不太习惯 python 和 Numpy，我觉得我正在跳过一种简单快捷的方法来解决这个问题。有没有其他方法可以解决这个问题？

非常感谢大家！

我有一个传感器，可以读取每个位置的电磁场强度。

并且每个位置的场都是稳定且独特的。所以读数只是位置的函数，如下所示：reading = emf(x,y,z)

读数由 3 个数字组成（不是位置）。

我想找到函数的反emf函数。这意味着我想找到pos这样定义的函数：x,y,z = pos(reading)

我无法同时使用emf和pos功能。我想我想pos使用神经网络逐步估计函数。

所以我通过 IMU 的空间输入reading和加速传感器。ax,ay,az加速度不是那么准确。我想使用这 2 个输入来帮助我确定传感器随时间的位置。您可以假设第一次读数时起始位置为 0,0,0。

简而言之，输入是reading在ax,ay,az每个时间步上，输出将根据函数的权重进行调整，pos或者输出将直接定位。

我一直在阅读SLAM（同时定位和映射）算法，我认为这可能对我的情况有所帮助，因为我的问题是概率性的。如果我准确地知道加速度，我不需要任何概率，但加速度是不准确的。

所以我想知道如何根据SLAM对这个问题进行建模？不过，我没有相机来做基于视觉的 SLAM。

为什么我认为这很容易处理？如果第一个读数是1,1,1并且位置在原点0,0,0，并且我移动传感器，则位置可能会漂移，因为传感器以前从未见过其他读数，但在我回到原点后，读数将1,1,1再次出现，因此传感器应该报告原点0,0,0作为输出。在传感器移动期间，算法应过滤加速度，以便所有先前的位置都有意义。