xuwuzhou / xuwuzhou.github.io

可 fork 的博客教程模板

这是一个可 fork 的博客模板仓库，帮助你快速搭建自己的博客，可以参考模板原作者的这篇文章详细指导搭建步骤。

文章版权

_posts 文件夹内所有文章版权归我所有，转载需联系我获得授权。

致谢

感谢原作者提供的模板，我在其基础上生成了个人博客。

xuwuzhou.github.io's Issues

论文阅读《Scan Context++: Structural Place Recognition Robust to Rotation and Lateral Variations in Urban Environments》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB48/

SCAN-CONTEXT, 上T-RO了……, 牛。

论文阅读《Fusion-DHL: WiFi, IMU, and Floorplan Fusion for Dense History of Locations in Indoor Environments》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB24/

XXXXXXXXXXxx

论文阅读《Intensity Scan Context: Coding Intensity and Geometry Relations for Loop Closure Detection》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB29/

FLoam作者改进的SC

可能是最全面的github pages搭建个人博客教程

https://xuwuzhou.github.io/create_blog_with_github_pages/

作为一个程序员怎么能没有自己的个人博客呢，这里详细记录和分享我的博客搭建经验，让你轻轻松松拥有自己的博客网站。傻瓜式一站式教你用 github pages 来搭建博客，详细记录全过程，保证你能学会。

如果你是非程序员或者不关系技术细节，只需花 3 分钟阅读前面 5 个章节内容，就能轻松拥有自己的博客。

论文阅读《Simple But Effective Redundant Odometry for Autonomous Vehicles》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB38/

论文阅读《Visual-LiDAR Odometry Aided by Reduced IMU》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB21/

论文阅读《Scan Context: Egocentric Spatial Descriptor for Place Recognition within 3D Point Cloud Map》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB28/

Scan context的会议版本论文。

论文阅读《Lvio-Fusion: A Self-adaptive Multi-sensor Fusion SLAM Framework Using Actor-critic Method》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB31/

这篇文章是github上面逛到的一个论文，效果很不错，在02的环境下rmse小于5，代码地址: https://github.com/jypjypjypjyp/lvio_fusion

论文阅读《Globally Consistent 3D LiDAR Mapping with GPU-accelerated GICP Matching Cost Factors》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB53/

KITTI榜单第五名的方法

论文阅读《Interval-Based Visual-LiDAR Sensor Fusion》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB9/

多传感器融合的思路挺多的，这篇文章主要是针对深度融合这个点进行了仔细的探讨。

LVI-SAM代码注释

https://xuwuzhou.top/LVI_SAM%E4%BB%A3%E7%A0%81%E6%B3%A8%E9%87%8A/

LVI-SAM 代码注释，这篇博客的工作主要是集中于相机和激光之间的互动的分析.

论文阅读《1-Day Learning, 1-Year Localization: Long-Term LiDAR Localization Using Scan Context Image》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB27/

将三维点云投影成图像的形式进行回环检测，这篇论文是scan context的期刊版本，通过学习一个点云描述符，也就是扫描上下文图像（SCI），并通过卷积神经网络将地点识别问题描述为地点分类，在网格地图上进行机器人定位，所以最终的速度比类词袋法的配对查找要快很多，并且从实验结果上来看，通过一天的训练可以实现全年的持久化效果

论文阅读《Visual-Laser-Inertial SLAM Using a Compact 3D Scanner for Confined Space》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB32/

论文阅读《ORB-SLAM3: An Accurate Open-Source Library for Visual, Visual-Inertial and Multi-Map SLAM》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB5/

ORB这个组是真的有毅力，看了它的视频, 户外场景4分钟，几百米，闭环漂移基本看不见，提升是非常明显的。

论文阅读《Stereo Camera Localization in 3D LiDAR Maps》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB14/

激光数据如何和视觉数据进行关联一直是一个比较有意思的方向，这篇文章提出了深度残差关联的**，挺有意思的，下面进行解读

论文阅读《An Equivariant Filter for Visual Inertial Odometry》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB17/

这篇文章提出了对于VIO上的流型的新的定义，实验效果很好，下面一起来分析下

论文阅读《Vanishing Point Aided LiDAR-Visual-Inertial Estimator》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB30/

在传感器融合的基础上加入了灭点。

停更两周，冲刺ICRA2022，希望顺利

https://xuwuzhou.top/current/

博主这两周在准备投ICRA2022的论文，因为时间限制，或许会停更两周（或许也有可能提前写完开始更新，哈哈哈），希望一切顺利！

Motivation

投ICRA2022

Contribution

中了以后，会分析一下自己的论文，哈哈哈哈

Content

TBD

Conclusion

冲冲冲！

论文阅读《R2LIVE: A Robust, Real-time, LiDAR-Inertial-Visual tightly-coupled state Estimator and mapping》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB7/

因为本人的目前研究方向是多传感器融合的，所以会有选择的挑选最新的关于多传感器融合的论文进行阅读(包括arxiv的未发表论文)。最近看到了港大的Mars实验室(他们之前的成果有loam_liovx,BALM,Fast-Lio)新上传了一篇关于多传感器融合的论文,代码已开源，所以做一下阅读笔记。

Gtsam自定义激光残差(loam)因子

https://xuwuzhou.top/gtsamCustomFactor/

因为课题的需要，需要把之前代码里的ceres计算里程计重构成基于gtsam计算里程计，这篇博客做个总结，主要是针对FLOAM和ALOAM这两套代吗的重构，ALOAM重构没出什么问题，但是FLOAM重构出现了比较严重的问题，下面会详细描述.

ceres中关于位姿参数过参数化加法定义的问题

https://xuwuzhou.top/Ceres_local_para/

作为一个程序员怎么能没有自己的个人博客呢，这里详细记录和分享我的博客搭建经验，让你轻轻松松拥有自己的博客网站。傻瓜式一站式教你用 github pages 来搭建博客，详细记录全过程，保证你能学会。

如果你是非程序员或者不关系技术细节，只需花 3 分钟阅读前面 5 个章节内容，就能轻松拥有自己的博客。

论文阅读《Deep Learning for Image and Point Cloud Fusion in Autonomous Driving: A Review》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB57/

深度学习在图像和点云融合方面的综述性文章，后续的工作准备用训练的方法替换融合中的模块，所以本周找了这篇文章进行阅读。(作者分别来自滑铁卢，中山，北航，文章本身的质量应该是可以保证的。)

论文阅读《What localizes beneath:A metric multisensor localization and mapping system for autonomous underground mining vehicles》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB2/

JFR这个期刊可以说是SLAM领域的顶刊了，并且他这个期刊里的论文大多数都偏向于应用领域的效果，这周我刷到了一篇JFR关于地下采矿车结合多传感器进行定位的论文，论文实验结果很好，做一个记录。

论文阅读《SA-LOAM: Semantic-aided LiDAR SLAM with Loop Closure》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB45/

激光语义加入到激光回环。

论文阅读《iTAMIN2: Ultra Light LiDAR-based SLAM using Geometric Approximation applied with KL-Divergence》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB13/

ICRA陆陆续续发榜了，这篇文章的工作很厉害，把激光的运行频率提升到了500-1000hz,下面就来看看他是怎么做到的。

论文阅读《Intensity-SLAM: Intensity Assisted Localization and Mapping for Large Scale Environment》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB37/

论文阅读《LOCUS: A Multi-Sensor Lidar-Centric Solution for High-Precision Odometry and 3D Mapping in Real-Time》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB12/

里程计是SLAM的核心基础，尤其是在多变的环境下，里程计的可靠性和精确度更加是非常重要的，本文提出的里程计是作者参加美国国防部地下越野挑战赛获得冠军的里程计部分。

论文阅读《Unified Multi-Modal Landmark Tracking for Tightly Coupled Lidar-Visual-Inertial Odometry》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB6/

RAL这个期刊质量是很高的，最近看到了一篇RAL新收录的多传感器融合方向的论文，论文效果不错，因此做一个阅读笔记。

论文阅读《MaRS: A Modular and Robust Sensor-Fusion Framework》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB11/

目前大部分的融合都是基于优化的，但是滤波的融合方式在某些场景下，效果优于优化，所以仍然有很多人针对滤波的融合的进行改进

论文阅读《Super Odometry: IMU-centric LiDAR-Visual-Inertial Estimator for Challenging Environments》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB20/

这篇论文的工作其实和之前解读的LOCUS的工作同属于一个比赛(DARPA)的作品，这个工作在DARPA的比赛中的城市赛道获得了第二名(第一名是LOCUS)，地下赛道获得了第一名, 从结果来看是很好的，下面进行解读

论文阅读《R3LIVE: A Robust, Real-time, RGB-colored, LiDAR-Inertial-Visual tightly-coupled state Estimation and mapping package》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB46/

R2live的进阶版本，从视频看，效果比R2live好了很多，无论是精度还是可视化的效果，另外github中给出的VR的应用也挺有意思。

论文阅读《FUSING STRUCTURE FROMMOTION AND LIDAR FOR DENSE ACCURATE DEPTH MAP ESTIMATION》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB15/

这篇文章是17年的ICASSP关于激光雷达生成深度图的文章，下面进行分析

论文阅读《CamVox: A Low-cost and Accurate Lidar-assisted Visual SLAM System》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB23/

如何将低成本激光雷达和低成本相机进行结合是一个有着实际工业应用价值的命题，这篇文章将Livox雷达改编进ORB-SLAM进行了探索。

论文阅读《DV-LOAM: Direct Visual LiDAR Odometry and Mapping》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB47/

这个文章的标题，起的和DVL-SLAM太像了…

论文阅读《VIRAL-Fusion: A Visual-Inertial-Ranging-Lidar Sensor Fusion Approach》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB26/

论文阅读《Unsupervised Learning of Lidar Features for Use in a Probabilistic Trajectory Estimator》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB58/

端到端训练提取激光点云特征. 效果不错.

论文阅读《CT-ICP: Real-time Elastic LiDAR Odometry with Loop Closure》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB54/

KITTI榜单第六名的方法

论文阅读《Plane-Edge-SLAM: Seamless Fusion of Planes and Edges for SLAM in Indoor Environments》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB56/

基于视觉的线面特征融合方案

论文阅读《Good Feature Matching: Toward Accurate, Robust VO/VSLAM With Low Latency》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB22/

视觉SLAM目前主要分为直接法或者特征法，基于特征法的性能更好但是也具有更高的延迟，基于直接法的视觉SLAM虽然延迟低，但是不适用于某些场景并且大部分时候比基于特征点法的性能更差，所以如何平衡延迟和性能的问题一直是视觉SLAM一个很重要的命题.

论文阅读《MULLS: Versatile LiDAR SLAM via Multi-metric Linear Least Square》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB55/

KITTI榜单第14名的方法

论文阅读《GR-SLAM: Vision-Based Sensor Fusion SLAM for Ground Robots on Complex Terrain》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB43/

论文阅读《DVL-SLAM: sparse depth enhanced direct visual-LiDAR SLAM》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB19/

AR(autonomous Robots)是一个挺不错的期刊,这是去年AR收录的一篇激光视觉融合的论文,下面进行解析.

论文阅读《ORB-SLAM: A Versatile and Accurate Monocular SLAM System》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB3/

​ 虽然做的一直是传感器融合这方面的工作，但是对于视觉SLAM的理解确实有欠缺，因为入门直接是从loam开始然后VLOAM，对于视觉SLAM的理解一直停留在特征法和直接法的框架层面，具体的细节没有深究过，正好最近有时间，回顾下ORB三件套。本篇分析的是ORB的开山之作。

论文阅读《LVI-SAM: Tightly-coupled Lidar-Visual-Inertial Odometry via Smoothing and Mapping》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB18/

这篇文章的作者是LIO-SAM的作者，LIO-SAM是一个紧耦合的激光惯性系统，在这篇文章中，作者把它自己的LIO-SAM和VINS-MONO结合，取得了不错的里程计效果。

论文阅读《Unified Multi-Modal Landmark Tracking for Tightly Coupled Lidar-Visual-Inertial Odometry》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB25/

论文阅读《A Novel 3D LiDAR SLAM Based on Directed Geometry Point and Sparse Frame》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB10/

基于激光的SLAM目前虽然比较成熟，但是时间上会受到建图的制约，这篇文章主要是针对这个点进行的改进。

论文阅读《ORB-SLAM: A Versatile and Accurate Monocular SLAM System》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB4/

上一篇写了ORB1的论文阅读分析，今天就继续写ORB2，众所周知，ORB2是ORB1的改进版，最大的特点就是单目变成了双目

论文阅读《LIPS: LiDAR-Inertial 3D Plane SLAM》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB16/

这两周主要在思考怎么将平面特征加入激光雷达，这篇论文是18年的iros，下面一起来分析下

论文阅读《Self-supervised Visual-LiDAR Odometry with Flip Consistency》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB/

传感器融合是SLAM中比较热门的方向，传统的融合方式是基于优化滤波或者激光辅助视觉获取深度，视觉辅助激光初始化或者频率之类的。但是随着深度学习的大热，很多人也将深度学习应用到SLAM中，最典型的应用就是端到端直接输出位姿或者输入图像+激光输出单目深度图之类的。

目前刚入门SLAM一年多（主要做的基于优化/滤波的激光视觉融合），对于基于深度学习的融合认识尚未到位，正好今天看到了一篇浙大的这方面的工作(WACV2021)，做一下论文的记录。

论文阅读《Efficient Velodyne SLAM with point and plane features》

https://xuwuzhou.top/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB8/

对于激光点云的优化的方法而言，尽量多的使用不同的特征从而提高鲁棒性和精确度算是一种共识，今天要介绍的这篇文章就是在激光雷达优化中同时使用了点和线，下面进行仔细分析。