【自己动手做一台SLAM导航机器人】 前言 第一章：Linux基础 第二章：ROS入门 第三章：感知与大脑 第四章：差分底盘设计 第五章：树莓派3开发环境搭建 第六章：SLAM建图与自主避障导航 第七章：语音交互与自然语言处理 附录A：用于ROS机器人交互的Android手机APP开发 附录B：用于ROS机器人管理调度的后台服务器搭建 附录C：如何选择ROS机器人平台进行SLAM导航入门

ORB-SLAMM2源码解析

hector slam源码hector_slam See the ROS Wiki for documentation: http://wiki.ros.org/hector_slam

Orb_slam2_ros 具有ROS接口的ORB_SLAM2此存储库是ROS中的ORB-SLAM2的简单演示。 从SLAM生成的数据（例如相机姿态，关键帧轨迹和点云）将发布在ROS中。 在此根目录中独立编译Pangolin 运行build.sh来编译项目 运行启动文件 roslaunch orb_slam_ros orb_slam_stereo.launch用于启动立体声节点 roslaunch orb_slam_ros orb_slam_mono.launch用于启动单节点

Image Enhancement for SLAM 在使用Semi-direct Method跑Euroc Dataset的v103数据时，发现效果很不好。导致错误的主要的原因有：图片太暗，对比度太低；图片亮度变化很大（不限于帧间，左右目有时候也会出现亮度不一致的情况）。于是，需要对输入图像进行预处理，提高图片的对比度，并且使得进行跟踪的两张图片亮度一致。 对于提高图片的对比度，最简单的方法是使用直方图均衡化。不过直方图均衡化有一些很明显的缺点，如变换后细节消失；不自然的过分增强。对于SLAM系统，往往会在过份增强的纹理上提取出一些关键点，而这些关键点我们认为是不稳定的。所以，我们需要一种更加先进的图像增强算法用于SLAM的图像预处理。 本文提出了一种基于Retinex理论的图像增强算法，对欠曝光的图像进行增强, 能够恢复图像中的纹理，并且做到实时处理。 References Paper

LOAM SLAM中用于非线性优化的方法《On Degeneracy of Optimization-based State Estimation Problems》，大家可以详细阅读，有需要的可以下载。同时可以参照博客https://blog.csdn.net/i_robots/article/details/108724606

ORB-slam 最初相关论文，博客提供了全部翻译，主要描述二进制特征对于计算速度的优化。

MVision机器视觉机器视觉 感谢支持 无人驾驶的各个方面知识 1. 感知（Perception）： 主要涉及的技术点包括场景理解、交通状况分析、路面检测、空间检测、 障碍物检测、行人检测、路沿检测、车道检测。还有一个比较新颖有趣的是通过胎压去检测道路质量。 在无人驾驶行业，有一套通用的数据集——KITTI数据集，里面有不同的数据，包括双目视觉的数据、定位导航的数据等。 物体检测（Object Detection）： 传统方法主要是针对固定物体的检测。一般的方法是HOG（ 方向梯度直方图），然后再加一个SVM的分类器。 而对于动

RTAB-MAP压缩包里有以下个开源代码： 1、RTAB-Map as an open-source lidar and visual simultaneous localization and mapping library for large-scale and long-term online operation-2018.pdf 2、RTABMAP_Appearance-Based_Loop_Closure_Detection_for_Online_Large-Scale_and_Long-Term_Operation.pdf 3、rtabmap_ros-0.20.9-melodic.zip 4、rtabmap-0.20.8.zip RTAB-MAP，2009年开始设计，2013年首次开源，2016年完全基于图优化，2017年扩展了很多新应用，是RGB-D SLAM中比较经典的方案。目前被发展成跨平台独立的C++库和一个ROS功能包。

matlab的slam代码SLAM 此存储库包含 slam 算法的代码，使用 MATLAB 或 Python。 SLAM 包括来自 LUH 的 SLAM 课程的代码。 更多信息见：