欢迎 👋

介绍 本文主要介绍 LIO SLAM 系统中的可视化工具 Pangolin 和日志工具 glog 的使用方法。 主要依赖 Pangolin：3D 可视化库 glog：Google 日志库 可视化 可视化功能在 visualize.cpp 中独立实现，创建单独的显示线程，使用原子布尔进行线程控制： 1 std::atomic<bool> exit_flag_{false}; 头文件 1 2 #include <pangolin/pangolin.h> #include <GL/gl.h> 原子布尔 原子布尔需要进行读写操作： 1 2 exit_flag_.store(true); // 写入 exit_flag_.load(); // 读取 原子布尔有锁机制，会强制同步线程的缓存值到主内存。 可视化窗口设置 1 pangolin::CreateWindowAndBind("ZLIO Visualize", 1920, 1080); 投影参数配置： 1 2 3 pangolin::OpenGlRenderState s_cam( pangolin::ProjectionMatrix(1920, 1080, 5000, 5000, 960, 540, 1, 1000), pangolin::ModelViewLookAt(0, -10, 20, 0, 0, 0, pangolin::AxisY)); 参数 值 说明 ProjectionMatrix 第1/2个参数 1920, 1080 屏幕分辨率 ProjectionMatrix 第3/4个参数 5000, 5000 fx, fy 焦距 ProjectionMatrix 第5/6个参数 960, 540 cx, cy 主点（屏幕中心） ProjectionMatrix 第7/8个参数 1, 1000 near, far 显示深度 ModelViewLookAt 第1/2/3个参数 0, -10, 20 相机位置 ModelViewLookAt 第4/5/6个参数 0, 0, 0 相机观察目标点 ModelViewLookAt 第7个参数 pangolin::AxisY Y 轴向上 按钮设置 创建左侧菜单面板： ...

介绍 打算实现读书时应该完成的工作，写一个自己的 SLAM，来对 SLAM 的实现有一个更深层次的了解，项目参考了 FAST_LIO2、Voxel-SLAM、lightning-lm 数据结构定义和数据缓存 首先是对数据结构体进行创建，点、点云、IMU、同步后的数据体，为了结构清楚，我单独写一个头文件common.h方便查看和管理 点和点云通过PCL注册，hku是通过PointXYZNomal的曲率存储时间戳，lm是通过重新注册一个 IMU 包含时间戳、加速度计、陀螺仪 同步后的数据measuregroup 包含点云 两帧点云之间的所有IMU 之所以单独定义结构体，更多的是增强独立性，这样其他如ros或者雷达调用接口就可调用该里程计 数据缓存 imu_buffer_.push_back(imu) lidar_buffer_.push_back(cloud) 点云创建和注册 1 2 3 4 5 6 7 8 9 10 11 // PCL兼容点类型 (必须在全局或pcl命名空间定义) struct PointXYZIT { PCL_ADD_POINT4D PCL_ADD_INTENSITY double timestamp; PointXYZIT() {} EIGEN_MAKE_ALIGNED_OPERATOR_NEW }; POINT_CLOUD_REGISTER_POINT_STRUCT( PointXYZIT, (float, x, x)(float, y, y)(float, z, z)(float, intensity, intensity)(double, timestamp, timestamp)) 注意 每个数据在存储时会用到 std::lock_guard<std::mutex> lock(mtx_buffer_); 因为回调函数出发存储，避免和其他位置同时操作缓存导致错误 说明：std::lock_guard 能自动解锁，在作用域结束、return、异常时自动解锁，作用域是从声明开始到所在的大括号结束 ROS接口 创建ROS接口实现，算法模块与ROS系统解耦，虽然现在基本是在ROS系统中运行，但是解耦后更方便移植在ROS1和ROS2中，以及万一之后在其他嵌入式上运行 主要是对应的话题回调函数中调用slam借口实现 RosApp::CloudCallback RosApp::IMUCallback 开始我自己创建的点云结构体，没有用PCL，所以不是很理解time_buffer的作用，三个参考项目都加了time_buffer，time_buffer中存储的是话题的时间戳，在时间同步时作为点云的扫描开始时间，那为什么不直接在点云存储时间戳，我就省略了time_buffer 我知道了，因为他们创建的点云结构体没有时间戳，我是自己定义的点云，考虑到点云只在同步时才需要时间，确实没必要多一个成员 fastlio对livox雷达会进行IMU和雷达的时间软同步处理，不是很知道区别对待的原图，其他的算法似乎没有 参考算法似乎对不同雷达还会有不同的处理，但是最后还是只用到了XYZI，以及用curvature记录不同雷达的点云时间偏移，lm则是用的动态平均值处理的点云时间偏移，计划先用lm的方法，后面再两个都加上吧 lm在IMU回调中还额外EKF处理了，估计是为了高频输出，后续再进行添加吧 回调函数中还通过跳点逻辑进行了降采样，我之前都是用的体素滤波，非常耗时 ...

介绍 部署 YOLOv8 目标检测算法到 K230 开发板上运行，本文记录完整的部署流程。 环境准备 软件依赖 CanMV IDE 已训练好的 YOLOv8 模型（best.pt） Python 环境（建议使用 conda） 硬件要求 K230 开发板（已刷好固件） 摄像头 模型转换 PyTorch → ONNX 将训练好的模型导出为 ONNX 格式，支持模型量化优化。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 from ultralytics import YOLO if __name__ == "__main__": # 1. 加载训练好的 YOLO 模型 model = YOLO(r"..\best.pt") # 2. 调用 YOLO 模型实例的 export 方法 # 注意：这里不需要重新赋值 model，export 方法会直接生成 ONNX 文件 model.export( format="onnx", # 指定导出格式为 ONNX simplify=True, # 简化 ONNX 模型 imgsz=640, # 输入图像尺寸 opset=12 # ONNX 算子集版本 ) print("ONNX 模型导出成功！文件会保存在 best.pt 同目录下") ONNX → KModel 在 Windows 环境下完成模型转换。 ...

点云配准方法介绍 常见的有 ICP、GICP、NDT 等，快捷实现基本基于 PCL 库中自带的点云处理实现。 GICP 原理 Generalized Iterative Closest Point (GICP) 是一种改进的 ICP 算法，通过协方差矩阵优化对应点匹配，提升配准精度。 头文件 1 2 3 4 5 6 7 #include <pcl/point_types.h> // 点类型定义 #include <pcl/point_cloud.h> // 点云容器 #include <pcl/registration/gicp.h> // GICP 算法核心 #include <pcl/registration/icp.h> // ICP 基类（部分功能依赖） #include <pcl/features/normal_3d.h> // 法向量估计（GICP 需要） #include <pcl/filters/voxel_grid.h> // 下采样（可选） #include <pcl/io/pcd_io.h> // PCD 文件读写 参数配置 参数 值 说明 setMaximumIterations 500 最大迭代次数，达到后停止配准 setTransformationEpsilon 1e-10 变换矩阵变化的收敛阈值，小于此值认为已收敛 setEuclideanFitnessEpsilon 0.0001 点到点欧氏距离误差的收敛阈值 setMaxCorrespondenceDistance 50.0 对应点搜索半径上限，超过则不考虑 setCorrespondenceRandomness 20 每次迭代随机采样对应点数量，影响计算效率和精度 setRANSACOutlierRejectionThreshold 0.05 RANSAC 离群点阈值，超过此距离的点被标记为异常值 setRANSACIterations 1000 RANSAC 迭代次数 setTransformationRotationEpsilon 1e-10 旋转矩阵变化的收敛阈值 setUseReciprocalCorrespondences false 是否使用互对应关系（source-target双向匹配） 测试结果 通过将目标点云变换作为原始点云进行测试，实际变换为 T=[10, 10, 10]m, R=[90, 0, 0]deg。 ...

介绍Gtsam Gtsam（General and Tunable Structure-from-Motion）是一个用于结构化从运动学（SFM）的优化库。Gtsam提供了一种基于图优化的算法，用于解决各种类型的结构化从运动学问题。Gtsam支持多种优化算法，如Levenberg-Marquardt、Gauss-Newton、Dogleg、Gauss-Newton-Dogleg等，以及多种优化目标，如最小二乘、最小 Trust Region等。Gtsam提供了多种数据结构，如变量、因子、 优化问题等，以及多种工具函数，如线性方程求解、矩阵运算、向量运算等。（AI生成） Gtsam库 https://github.com/borglab/gtsam Gtsam的使用 快速使用 引入头文件 1 2 3 4 5 6 #include <gtsam/slam/PriorFactor.h> // 先验因子，为Pose提供绝对约束（如首帧初始位姿） #include <gtsam/nonlinear/ISAM2.h> // 增量平滑与建图优化器，支持增量式求解因子图 #include <gtsam/nonlinear/Values.h> // 优化变量值的容器，存储键值对形式 #include <gtsam/slam/BetweenFactor.h> // 里程计/回环约束因子，表示两Pose间相对变换 #include <gtsam/inference/Symbol.h> // GTSAM符号系统，用于生成因子图变量唯一键 ，当直接用帧创建key时无需引入 #include <gtsam/geometry/Pose3.h> // 3D位姿（Rot3旋转+Point3位置），表示机器人姿态 创建变量（Values） 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 // 使用 Symbol 创建唯一键：'x' + 0 = 键 "x0" gtsam::Key key1 = gtsam::symbol('x', 0); gtsam::Key key2 = gtsam::symbol('x', 1); //直接用帧数也可以 gtsam::Key key1 = 0; // 直接用整数 // 创建 Pose3 位姿（旋转 + 平移） gtsam::Rot3 rotation = gtsam::Rot3::Ypr(0.0, 0.0, 0.0); // yaw, pitch, roll gtsam::Point3 translation(0.0, 0.0, 0.0); // x, y, z gtsam::Pose3 pose1(rotation, translation); // 存入 Values 容器 gtsam::Values initial_values; initial_values.insert(key1, pose1); // 初始值 initial_values.insert(key2, pose1); // 第二帧初始值 创建噪声模型（NoiseModel） 1 2 3 4 5 6 7 8 9 // 高斯噪声模型（6维：旋转3维 + 平移3维） gtsam::Vector6 variance = (gtsam::Vector6() << 0.01, 0.01, 0.01, 0.1, 0.1, 0.1).finished(); gtsam::SharedNoiseModel noise = gtsam::noiseModel::Gaussian::Covariance( gtsam::Matrix6::Identity() * variance.asDiagonal()); // 或使用对角噪声模型 auto odometryNoise = gtsam::noiseModel::Diagonal::Sigmas( (gtsam::Vector6() << 0.05, 0.05, 0.05, 0.1, 0.1, 0.1).finished()); auto priorNoise = gtsam::noiseModel::Isotropic::Sigma(6, 0.01); 创建因子（Factor） 1 2 3 4 5 6 7 8 gtsam::NonlinearFactorGraph graph; // 先验因子（为第一帧提供绝对约束） graph.add(gtsam::PriorFactor<gtsam::Pose3>(key1, pose1, priorNoise)); // 里程计因子（两帧之间的相对变换） gtsam::Pose3 odom_delta = pose1.between(pose2); // 计算相对变换 graph.add(gtsam::BetweenFactor<gtsam::Pose3>(key1, key2, odom_delta, odometryNoise)); 创建 ISAM2 优化器 1 2 3 4 5 gtsam::ISAM2Params params; params.relinearizeThreshold = 0.01; // 重新线性化阈值 params.relinearizeSkip = 10; // 跳帧数 gtsam::ISAM2 isam(params); isam.update(graph, initial_values); // 首次更新 增量优化 1 2 3 4 5 6 7 8 9 10 11 12 13 // 添加新帧时 gtsam::Key key3 = gtsam::symbol('x', 2); initial_values.clear(); initial_values.insert(key3, pose_guess); // 新帧初始值 // 更新优化器（增量式，只优化新节点） isam.update(graph, initial_values); // 获取优化结果 gtsam::Values result = isam.calculateEstimate(); // 读取特定节点 gtsam::Pose3 optimized_pose = result.at<gtsam::Pose3>(key3); 完整示例 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 #include <gtsam/slam/PriorFactor.h> #include <gtsam/nonlinear/ISAM2.h> #include <gtsam/nonlinear/Values.h> #include <gtsam/slam/BetweenFactor.h> #include <gtsam/inference/Symbol.h> #include <gtsam/geometry/Pose3.h> int main() { // 1. 创建变量 gtsam::Key key1 = gtsam::symbol('x', 0); gtsam::Key key2 = gtsam::symbol('x', 1); gtsam::Pose3 pose1; // 单位位姿 gtsam::Pose3 pose2(gtsam::Rot3::Ypr(0.1, 0, 0), gtsam::Point3(1, 0, 0)); // 2. 创建噪声模型 auto priorNoise = gtsam::noiseModel::Isotropic::Sigma(6, 0.01); auto odomNoise = gtsam::noiseModel::Isotropic::Sigma(6, 0.05); // 3. 创建因子图 gtsam::NonlinearFactorGraph graph; graph.add(gtsam::PriorFactor<gtsam::Pose3>(key1, pose1, priorNoise)); // 先验 graph.add(gtsam::BetweenFactor<gtsam::Pose3>(key1, key2, pose1.between(pose2), odomNoise)); // 里程计 // 4. 创建初始值 gtsam::Values initial_values; initial_values.insert(key1, pose1); initial_values.insert(key2, pose2); // 5. ISAM2 优化 gtsam::ISAM2 isam; isam.update(graph, initial_values); gtsam::Values result = isam.calculateEstimate(); // 6. 读取结果 gtsam::Pose3 optimized_pose2 = result.at<gtsam::Pose3>(key2); std::cout << "Optimized pose: " << optimized_pose2 << std::endl; return 0; } 注意事项 每一个Key必须有初始值 一个图必须创建先验约束 不能有孤立节点，必须与其他节点建立约束 优化效果 原始x轴位移 ...

我的第一篇学习笔记 今天开始使用 Hugo 搭建我的学习笔记网站。 为什么选择 Hugo？ Hugo 是一个静态网站生成器，具有以下优点： 构建速度快 主题丰富 易于部署到 GitHub Pages 下一步计划 学习更多 Hugo 知识 定制 PaperMod 主题 写更多学习笔记 持续更新中… Mermaid 图表示例 Hugo PaperMod 主题内置支持 Mermaid.js，可以直接使用。 流程图 flowchart TD A[开始] --> B{是否有问题?} B -->|是| C[分析问题] B -->|否| D[继续学习] C --> E[查找资料] E --> F[解决问题] F --> G[总结经验] G --> D D --> H[结束] 函数调用关系图 graph LR A[main 函数] --> B[init] A --> C[processData] C --> D[validateInput] C --> E[transformData] E --> F[saveResult] D --> F 类图/模块关系 classDiagram class App { +main() +init() } class DataProcessor { +processData() +validate() } class Storage { +save() +load() } App --> DataProcessor DataProcessor --> Storage 时序图 sequenceDiagram participant U as 用户 participant H as Hugo participant P as PaperMod participant G as GitHub Pages U->>H: 编写 Markdown H->>P: 生成静态页面 P->>G: 推送到仓库 G->>G: 自动部署 G-->>U: 网站上线

Hugo 快速入门指南 安装 Hugo 在 Windows 上可以使用 Chocolatey 或 Scoop 安装： 1 scoop install hugo 创建新站点 1 hugo new site my-site 添加主题 1 2 3 cd my-site git init git submodule add https://github.com/adityatelange/hugo-PaperMod.git themes/PaperMod 启动开发服务器 1 hugo server 构建生产版本 1 hugo 这样就可以生成静态网站文件了！

介绍 本文介绍在 Ubuntu 系统上安装与配置 ROS 环境的完整流程，包括系统编码与软件源检查、ROS2 Foxy 安装、ROS1 与 ROS2 环境切换、编译命令差异及常用终端指令对照。 1. 检查系统设置 1.1 检查编码 UTF-8 终端输入： 1 locale 出现如下输出信息说明编码为 UTF-8： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 LANG=zh_CN.UTF-8 LANGUAGE=zh_CN:en_US:en LC_CTYPE="zh_CN.UTF-8" LC_NUMERIC=zh_CN.UTF-8 LC_TIME=zh_CN.UTF-8 LC_COLLATE="zh_CN.UTF-8" LC_MONETARY=zh_CN.UTF-8 LC_MESSAGES="zh_CN.UTF-8" LC_PAPER="zh_CN.UTF-8" LC_NAME="zh_CN.UTF-8" LC_ADDRESS="zh_CN.UTF-8" LC_TELEPHONE="zh_CN.UTF-8" LC_MEASUREMENT="zh_CN.UTF-8" LC_IDENTIFICATION="zh_CN.UTF-8" LC_ALL= 1.2 检查是否启用 Ubuntu Universe 存储库 终端输入： 1 apt-cache policy | grep universe 若输出如下则表示已启用： ...

介绍 本文介绍 GitHub 日常开发中的基础操作，包括使用 Personal Access Token 克隆私人仓库、保存 Git 凭据避免重复输入，以及配置全局与局部的用户名和邮箱。 1. 拉取私人仓库 1.1 创建 Personal Access Token 登录 GitHub，点击右上角头像 → Settings 左侧菜单选择 Developer settings 选择 Personal access tokens → Fine-grained tokens 点击 Generate new token → Generate new token (classic) 设置名称（如：我的开发令牌） 选择过期时间（建议选择较长时间，如 90 天或自定义） 选择仓库范围 All repositories 所有仓库，或者其他选项 勾选权限： 选择对应的权限领域 repositories（仓库）、Account（账户） 仓库中选择 Contents 可读写，其它权限按需设置 点击 Generate token 重要：复制生成的 token（只显示一次，请妥善保存） 1.2 使用 Token 克隆仓库 在命令行中执行： 1 git clone https://github.com/用户名/仓库名.git 当提示输入用户名和密码时： 提示项 填写内容 Username 你的 GitHub 用户名 Password 刚才复制的 Personal Access Token（不是你的 GitHub 密码） 示例： ...

介绍 本文记录无人机仿真开发环境的完整搭建流程，涵盖 ROS 安装、PX4-Autopilot 源码编译、Gazebo 仿真环境配置、MAVROS 通信中间件安装，以及 QGroundControl 地面站部署。 1. 安装 ROS 使用鱼香 ROS 一键安装脚本： 1 wget http://fishros.com/install -O fishros && . fishros 2. 安装 PX4-Autopilot 2.1 下载源码 1 git clone https://github.com/PX4/PX4-Autopilot.git 2.2 安装依赖 解压缩后执行： 1 2 cd ~/Desktop/PX4-Autopilot bash ./Tools/setup/ubuntu.sh 2.3 添加环境路径 编辑 ~/.bashrc 文件，添加以下内容： 1 2 3 4 source ~/桌面/PX4-Autopilot/Tools/setup_gazebo.bash ~/桌面/PX4-Autopilot ~/桌面/PX4-Autopilot/build/px4_sitl_default export ROS_PACKAGE_PATH=$ROS_PACKAGE_PATH:~/桌面/PX4-Autopilot export ROS_PACKAGE_PATH=$ROS_PACKAGE_PATH:~/桌面/PX4-Autopilot/Tools/sitl_gazebo # 具体路径取决于实际文件环境 使环境变量生效： 1 source ~/.bashrc 此时开启终端会打印以下信息： 1 2 3 GAZEBO_PLUGIN_PATH $GAZEBO_PLUGIN_PATH GAZEBO_MODEL_PATH $GAZEBO_MODEL_PATH LD_LIBRARY_PATH $LD_LIBRARY_PATH 可通过注释 setup_gazebo.bash 最后三句关闭打印。 ...