VIP20

本课程属于：016-SLAM 机器人系统 · 共 20 门相关课程，组合学习更完整。

查看所属VIP全部课程 →

← 返回所属目录咨询 / 购买

机器人SLAM数据采集与处理方法与故障调试

📚 共计 30 章节

SLAM数据采集概述

为什么数据采集如此重要？传感器选型原则（激光雷达 vs 深度相机 vs 编码器）。

基础传感器

ROS基础与数据录制

ROS核心概念（节点、话题、服务）、使用rosbag录制传感器数据。

激光雷达数据采集

2D/3D激光雷达配置、点云数据格式、采集注意事项（运动畸变、反光材质）。

视觉数据采集

单目/双目/深度相机标定、图像与深度图同步采集、光照条件对视觉SLAM的影响。

IMU与里程计数据采集

IMU零偏与噪声、轮式里程计标定、多传感器时间戳对齐。

多传感器融合采集

硬件同步（GPS脉冲） vs 软件同步（ROS时间戳）、多传感器数据包管理。

数据采集实战

搭建一个移动机器人数据采集平台、现场踩坑记录（震动、打滑、丢包）。

rosbag数据处理基础

bag信息查看、过滤与裁剪、bag转图片/点云/PCD文件。

数据预处理——去畸变

激光雷达运动畸变去除原理、基于IMU/里程计的去畸变方法。

预处理畸变

数据预处理——时间同步

精确时间同步算法（最近邻插值、线性插值）、多传感器时间对齐实战。

时间同步插值

数据预处理——滤波与降采样

体素滤波、直通滤波、统计滤波在点云处理中的应用。

数据预处理——图像增强

直方图均衡化、去雾算法、自适应光照补偿。

特征提取——激光雷达

点云特征（NARF、FPFH、SHOT）、线面特征提取、特征点匹配。

特征提取——视觉

ORB特征、SIFT特征、SuperPoint深度学习特征、特征匹配与误匹配剔除。

特征提取——IMU

预积分原理、IMU因子图构建、IMU与视觉/激光的紧耦合。

SLAM前端——扫描匹配

ICP算法及其变体（Point-to-Plane、GICP、NDT）。

SLAM前端——视觉里程计

光流法、直接法、特征点法、半直接法。

SLAM后端——图优化

g2o/GTSAM库使用、位姿图构建、闭环检测与优化。

图优化后端

SLAM后端——滤波方法

扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）、粒子滤波。

词袋模型（DBoW2/DBoW3）、几何验证、闭环校正与全局优化。

栅格地图、占据网格地图、TSDF地图、OctoMap八叉树地图。

SLAM评估指标

ATE轨迹误差、RPE相对位姿误差、evo工具使用。

数据集制作

从rosbag制作SLAM标准数据集（EuRoC/TUM格式）、数据标注与真值获取。

数据集标注

点云数据增强（旋转、缩放、遮挡）、图像数据增强（仿射变换、光度变换）。

深度学习在SLAM数据中的应用

基于学习的特征提取、端到端里程计、深度估计辅助SLAM。

深度学习端到端

多机器人SLAM数据融合

分布式数据采集、地图融合、相对位姿估计。

多机器人融合

大规模场景数据采集

城市级/园区级数据采集策略、GPS辅助、回环触发策略。

数据压缩与传输

点云压缩（Draco）、图像压缩（HEVC）、实时数据传输协议。

SLAM数据采集常见问题与解决方案

传感器故障排查、数据异常检测、现场调试技巧。

从零搭建一套完整的SLAM数据采集与处理流水线，输出可用于建图的高质量数据集。

实战流水线