分享

SLAM包含了兩個主要的任務：定位與構圖，在移動機器人或者自動駕駛中，這是一個十分重要的問題：機器人要精確的移動，就必須要有一個環境的地圖，那么要構建環境的地圖就需要知道機器人的位置。

本系列文章主要分成四個部分：

在第一部分中，將介紹Lidar SLAM，包括Lidar傳感器，開源Lidar SLAM系統，Lidar中的深度學習以及挑戰和未來。

第二部分重點介紹了Visual SLAM，包括相機傳感器，不同稠密SLAM的開源視覺SLAM系統。

第三部分介紹視覺慣性里程法SLAM，視覺SLAM中的深度學習以及未來。

第四部分中，將介紹激光雷達與視覺的融合。

激光雷達和視覺SLAM系統　說到激光雷達和視覺SLAM系統，必不可少的是兩者之間的標定工作。

多傳感器校準

Camera&IMU:Kalibr[1]是一個工具箱，解決了以下幾種傳感器的校準：

多攝像機校準。

視覺慣性校準（Camera IMU）。

卷簾快門式攝像機校準。

Vins融合了視覺與IMU,具有在線空間校準和在線時間校準的功能。

MSCKF-VIO具有攝像機和IMU的校準功能。

mc-VINS[2]可以校準所有多個攝像機和IMU之間的外部參數和時間偏移。

IMU-TK[3][4]還可以對IMU的內部參數進行校準。

論文[5]提出了一種用于單目VIO的端到端網絡，融合了來自攝像機和IMU的數據。

總結

以上是生活随笔為你收集整理的SLAM综述(4)激光与视觉融合SLAM的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。