本文目录一览

1，激光SLAM AGV与磁条二维码比较的优势

支持一下感觉挺不错的
柔性高不需要环境改造，布署及调整周期短，适应人机混用场景，智能避障。无二次成本投入。

激光SLAM AGV与磁条二维码比较的优势

2，如何将激光雷达的数据通过数传模块传输到PC端的ros系统中进行slam

这个问题我也考虑过。单纯传雷达的数据，可以用无线串口模块，一个接雷达，一个接电脑。但是考虑底层，里程计也需要数据传输，至少两对模块。所以还不如在底层放一arm板，raspberry pi或TK1都可以。这样电脑配个ROS的主从机，可以slam，感觉这样最合适。
你好！人面不知何处去，桃花依旧笑春风。如有疑问，请追问。

如何将激光雷达的数据通过数传模块传输到PC端的ros系统中进行slam

3，学激光雷达slam有前途吗

有，激光雷达很火的，特别是用在自动驾驶上
激光雷达：1．解析度高，测距精度高2．抗有源干扰能力强3．探测性能好4．不受光线影响5．测速范围大视觉（主要是摄像头）：成本低廉，用摄像头做算法开发的人员也比较多，技术相对比较成熟。摄像头的劣势，第一，获取准确三维信息非常难（单目摄像头几乎不可能，也有人提出双目或三目摄像头去做）；另一个缺点是受环境光限制比较大。

学激光雷达slam有前途吗

4，未来哪些SLAM方案能成为趋势

技术层面上，SLAM包含多种方案：单线激光雷达、多线激光雷达、单目相机、双目相机、结构光3D相机、TOF相机等等等等。但是题目中说要“从公司商用层面”分析，这正是我最喜欢的分析问题的方式：从目的出发，倒推解决方案；而不是从技术出发，寻找应用场景。SLAM是个大坑，不同场景下的应用SLAM的核心需求差异极大，因此技术方案也自然完全不同。
虽然我很聪明，但这么说真的难到我了

5，如何提高激光slam 行走速度

SLAM涵盖的东西比较多，分为前端和后端两大块。前端主要是研究相邻帧的拼接，又叫配准。根据传感器不一样，有激光点云、像、RGB-D拼接几种，其中像配准中又分基于稀疏特征（Sparse）的和稠密（Dense）的两种。后端主要是研究地拼接（前端）中累积误差的校正，主流就两种，基于概率学理论的贝叶斯滤波器（EKF，PF）以及基于优化的方法。EKF已经用得很少了，PF也就在2D地SLAM（Gmapping）中用得多，大多还是用优化的方法在做。自己已经说了这块需要的知识，一个是数学，一个是编程。所以入门，也从这两块开始弄。一、数学方面　　数学，建议楼上说过的Thrun的《probabilistic robotics》，其实不需要全部看完，了解下概率学是如何解决机器人中的问题的，关键学习贝叶斯滤波，也是就是贝叶斯公式在各个问题（定位，SLAM）中的应用。另外，优化，建议先把最小二乘优化中给弄透彻，数学推导要会，因为很多问题，最后都是归结到最小二乘优化，然后就是梯度下降、求Jacobian之类的。二、编程方面　　理论的东西是比较无聊的，必须得实战。建议入门先写一发最小二乘优化，可以就做一个简单的直线拟合，不要用Matlab中的优化工具，了解数学推导最后是怎么写到代码里面的。然后，一定要玩好Matlab优化工具包，做实验最方便了。有了一些基础之后，可以尝试玩一些现有的SLAM包，推荐两个地方，一个是www.openslam.org，里面有各种SLAM包，主流的SLAM算法，在这一般都有源码。另外一个就是ROS了，里面有很多现成的SLAM包，像Gmapping，RGB-D SLAM，上手非常快，甚至没有任何设备，也可以利用ROS中的仿真环境（如Gazebo）跑。建议先试试Gmapping，百度上有很多中文教程，一开始跑这些package还是很涨成就感的，可以提高兴趣。如果是做视觉或者RGB-D，那么OpenCV和PCL是必不可少的工具。早点上手肯定没得错。三、进阶　　大体入门之后，就需要根据实验室研究的项目来学习了，看是用激光、相机、还是Kinect来做了，不同传感器的前端算法还是有些差距的。激光一般是ICP，相对简单。视觉的东西还是比较多的，楼上推荐《Multiview Geometry in Computer Vision》确实很重要，不过，觉得这同时还应该了解特征提取、特征描述子、特征匹配这些东西。如果们实验室做的Dense registration，那还得学李代数那些东西（高大上，神马李群看好多天都看不懂。。。）。其实，很多算法都有开源包，可以去ROS、一些大神博客、牛逼实验室主页中多逛逛。
激光雷达：1．解析度高，测距精度高2．抗有源干扰能力强3．探测性能好4．不受光线影响5．测速范围大视觉（主要是摄像头）：成本低廉，用摄像头做算法开发的人员也比较多，技术相对比较成熟。摄像头的劣势，第一，获取准确三维信息非常难（单目摄像头几乎不可能，也有人提出双目或三目摄像头去做）；另一个缺点是受环境光限制比较大。

6，slam建图可以用于激光导航吗

当然可以，现在SLAM用得比较多的是激光SLAM和VSLAM（即深度视觉SLAM），SLAM全称为Simultaneous localization and mapping翻译过来就是同步定位与地图构建，再翻译一下就是让机器人从未知环境的未知地点出发，在运动过程中通过重复观测到的地图特征（比如，墙角，柱子等）定位自身位置和姿态，再根据自身位置增量式的构建地图，从而达到同时定位和地图构建的目的。而激光只是SLAM建图中用来获得地图构建时所需的外部环境数据传感器，所以SLAM是可以用于激光导航的，具体关于激光SLAM导航的资料可以多去各种技术论坛上学习，最好是买一本入门的书籍先读一下构建下自己针对整个激光SLAM建图的大局观。如果是想找激光SLAM导航方案，可以看看深圳灵喵机器人，这家目前在国内激光导航领域做得不错
slam涵盖的东西比较多，分为前端和后端两大块。前端主要是研究相邻帧的拼接，又叫配准。根据传感器不一样，有激光点云、像、rgb-d拼接几种，其中像配准中又分基于稀疏特征（sparse）的和稠密（dense）的两种。后端主要是研究地拼接（前端）中累积误差的校正，主流就两种，基于概率学理论的贝叶斯滤波器（ekf，pf）以及基于优化的方法。ekf已经用得很少了，pf也就在2d地slam（gmapping）中用得多，大多还是用优化的方法在做。自己已经说了这块需要的知识，一个是数学，一个是编程。所以入门，也从这两块开始弄。一、数学方面　　数学，建议楼上说过的thrun的《probabilistic robotics》，其实不需要全部看完，了解下概率学是如何解决机器人中的问题的，关键学习贝叶斯滤波，也是就是贝叶斯公式在各个问题（定位，slam）中的应用。另外，优化，建议先把最小二乘优化中给弄透彻，数学推导要会，因为很多问题，最后都是归结到最小二乘优化，然后就是梯度下降、求jacobian之类的。二、编程方面　　理论的东西是比较无聊的，必须得实战。建议入门先写一发最小二乘优化，可以就做一个简单的直线拟合，不要用matlab中的优化工具，了解数学推导最后是怎么写到代码里面的。然后，一定要玩好matlab优化工具包，做实验最方便了。有了一些基础之后，可以尝试玩一些现有的slam包，推荐两个地方，一个是www.openslam.org，里面有各种slam包，主流的slam算法，在这一般都有源码。另外一个就是ros了，里面有很多现成的slam包，像gmapping，rgb-d slam，上手非常快，甚至没有任何设备，也可以利用ros中的仿真环境（如gazebo）跑。建议先试试gmapping，百度上有很多中文教程，一开始跑这些package还是很涨成就感的，可以提高兴趣。如果是做视觉或者rgb-d，那么opencv和pcl是必不可少的工具。早点上手肯定没得错。三、进阶　　大体入门之后，就需要根据实验室研究的项目来学习了，看是用激光、相机、还是kinect来做了，不同传感器的前端算法还是有些差距的。激光一般是icp，相对简单。视觉的东西还是比较多的，楼上推荐《multiview geometry in computer vision》确实很重要，不过，觉得这同时还应该了解特征提取、特征描述子、特征匹配这些东西。如果们实验室做的dense registration，那还得学李代数那些东西（高大上，神马李群看好多天都看不懂。。。）。其实，很多算法都有开源包，可以去ros、一些大神博客、牛逼实验室主页中多逛逛。

文章TAG：激光slam  激光SLAM  AGV与磁条二维码比较的优势  
下一篇