本系列往期文章：【3D激光SLAM（一）】Velodyne激光SLAM学习之Velodyne-16线雷达室内建图基本使用_Canminem的博客-CSDN博客_velodyne16线激光雷达【3D激光SLAM(二)】Velodyne激光SLAM学习之Velodyne-16线激光雷达在JetsonNano上的配置使用_Canminem的博客-CSDN博客_velodyne激光雷达驱动【3D激光SLAM(三)】Velodyne激光SLAM学习之激光雷达+IMU内参标定_Canminem的博客-CSDN博客_imu激光雷达 一、标定所使用设备激光雷达：velodyne16线激光雷达IMU：来自Pix
本系列往期文章：【3D激光SLAM（一）】Velodyne激光SLAM学习之Velodyne-16线雷达室内建图基本使用_Canminem的博客-CSDN博客_velodyne16线激光雷达【3D激光SLAM(二)】Velodyne激光SLAM学习之Velodyne-16线激光雷达在JetsonNano上的配置使用_Canminem的博客-CSDN博客_velodyne激光雷达驱动【3D激光SLAM(三)】Velodyne激光SLAM学习之激光雷达+IMU内参标定_Canminem的博客-CSDN博客_imu激光雷达 一、标定所使用设备激光雷达：velodyne16线激光雷达IMU：来自Pix
目录写在前面总体流程分块解释IMU数据接收和发布车轮编码器数据接收和发布数据融合——robot_localization概括使用cartographer订阅效果写在前面之前写了一篇ROS2+cartorgrapher+激光雷达建图并保存，但是由于其只对激光雷达的数据进行订阅，这就导致了其建图在室内会有一个较好的效果(但是也会出现偏差)，在室外完全无法使用。究其原因，是因为只用激光雷达且没有比较明显的建筑障碍物的话，cartographer很难计算出一个比较精准的位置和朝向。因此，为了达到一个更好的建图效果，我们使用了robot_localization包，对IMU和里程计的数据进行融合，并将其
目录写在前面总体流程分块解释IMU数据接收和发布车轮编码器数据接收和发布数据融合——robot_localization概括使用cartographer订阅效果写在前面之前写了一篇ROS2+cartorgrapher+激光雷达建图并保存，但是由于其只对激光雷达的数据进行订阅，这就导致了其建图在室内会有一个较好的效果(但是也会出现偏差)，在室外完全无法使用。究其原因，是因为只用激光雷达且没有比较明显的建筑障碍物的话，cartographer很难计算出一个比较精准的位置和朝向。因此，为了达到一个更好的建图效果，我们使用了robot_localization包，对IMU和里程计的数据进行融合，并将其
文章目录2.IMU原理及姿态融合算法详解一、组合二、原理a)陀螺仪b)加速度计c)磁力计三、旋转的表达a)欧拉角b)旋转矩阵c)四元数d)李群SO(3)\text{SO}(3)SO(3)及李代数so(3)\text{so}(3)so(3)四、传感器的噪声及去除a)陀螺仪b)加速度计c)磁力计五、姿态解算原理a)陀螺仪b)加速度计c)磁力计六、姿态解算算法a)互补滤波b)AHRSc)卡尔曼七、云台的特性及要求2.IMU原理及姿态融合算法详解一、组合IMU全称是惯性导航系统，主要元件有陀螺仪、加速度计和磁力计。其中，陀螺仪可以得到各个轴的加速度，而加速度计能够得到xxx、yyy、zzz方向的加速度
文章目录2.IMU原理及姿态融合算法详解一、组合二、原理a)陀螺仪b)加速度计c)磁力计三、旋转的表达a)欧拉角b)旋转矩阵c)四元数d)李群SO(3)\text{SO}(3)SO(3)及李代数so(3)\text{so}(3)so(3)四、传感器的噪声及去除a)陀螺仪b)加速度计c)磁力计五、姿态解算原理a)陀螺仪b)加速度计c)磁力计六、姿态解算算法a)互补滤波b)AHRSc)卡尔曼七、云台的特性及要求2.IMU原理及姿态融合算法详解一、组合IMU全称是惯性导航系统，主要元件有陀螺仪、加速度计和磁力计。其中，陀螺仪可以得到各个轴的加速度，而加速度计能够得到xxx、yyy、zzz方向的加速度
对于LIOSAM中的ImuPreIntegration.cpp中出现gtsam的部分代码，主要是实现基于因子图的位姿估计。参考资料不多，主要看看GTSAM官网的examples学习代码。Imufactorexample2.cpp和imufactorsexample.cpp两个文件。介绍了IMU位姿估计的主要方法。下面主要理顺ImuPreIntegration.cpp中如何使用gtsam。首先是这个类：IMUPreintegration1、初始化阶段定义先验因子对于位姿因子而言，需要三个量：key，这里是X0初始化位姿，prevPose_噪声gtsam::PriorFactorpriorPose
对于LIOSAM中的ImuPreIntegration.cpp中出现gtsam的部分代码，主要是实现基于因子图的位姿估计。参考资料不多，主要看看GTSAM官网的examples学习代码。Imufactorexample2.cpp和imufactorsexample.cpp两个文件。介绍了IMU位姿估计的主要方法。下面主要理顺ImuPreIntegration.cpp中如何使用gtsam。首先是这个类：IMUPreintegration1、初始化阶段定义先验因子对于位姿因子而言，需要三个量：key，这里是X0初始化位姿，prevPose_噪声gtsam::PriorFactorpriorPose
gnss和gps区别1、GPS（全球卫星定位系统）是由美国国防部研制建立的一种具有全方位、全天候、全时段、高精度的卫星导航系统；能为全球用户提供低成本、高精度的三维位置、速度和精确定时等导航信息。2、GNSS（GlobalNavigationSatelliteSystem，全球导航卫星系统）是对北斗系统、GPS、GLONASS、Galileo系统等这些单个卫星导航定位系统的同一称谓，也可指代他们的增强型系统，又指代所有这些卫星导航定位系统及其增强型系统的相加混合体，也就是说它是由多个卫星导航定位及其增强型系统所拼凑组成的大系统，GNSS是以人造卫星作为导航台的星级无线电导航系统，为全球陆、海、
gnss和gps区别1、GPS（全球卫星定位系统）是由美国国防部研制建立的一种具有全方位、全天候、全时段、高精度的卫星导航系统；能为全球用户提供低成本、高精度的三维位置、速度和精确定时等导航信息。2、GNSS（GlobalNavigationSatelliteSystem，全球导航卫星系统）是对北斗系统、GPS、GLONASS、Galileo系统等这些单个卫星导航定位系统的同一称谓，也可指代他们的增强型系统，又指代所有这些卫星导航定位系统及其增强型系统的相加混合体，也就是说它是由多个卫星导航定位及其增强型系统所拼凑组成的大系统，GNSS是以人造卫星作为导航台的星级无线电导航系统，为全球陆、海、
