点击上方“计算机视觉life”，选择“星标”
快速获得最新干货
这将会是一个对你学习生活帮助很大的社群

以下内容来自
【小六的机器人SLAM圈】
，在这里你可以收获：

星主答疑解惑/定期直播分享/最新招聘信息/笔面试题速递/行业最新动态/

每日领域论文翻译/成员定期交流活动

还有星球专属视频哦~（图片篇幅有限，更多内容请移步官网cvlife.net查看~）
以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容
点击领取学习资料 → 机器人SLAM学习资料大礼包
#论文# RAL 2023|东北大学（沈阳）发布Sttracker：用于3D单目标跟踪的时空跟踪器
【STTracker: Spatio-Temporal Tracker for 3D Single Object Tracking 】
文章链接：230617440STTrackerSpatio-TemporalTrackerfor3DSingl...
数据集：【KITTI】【NuScenes】
参考代码：GitHub-open-mmlabOpenPCDetOpenPCDetToolboxforLiDAR...Open3DSOTpretrained_modelsmmtrack_kitti_carckptatm...
 利用点云进行三维单目标跟踪是三维计算机视觉中的一项重要任务。以往的方法通常输入最后两帧，利用预测框分别得到前一帧的模板点云和当前帧的搜索区域点云，然后使用基于相似性或基于运动的方法预测当前框。这些方法虽然取得了较好的跟踪性能，但是忽略了目标的历史信息，而历史信息对于跟踪是重要的。   相比于输入两帧点云，本文输入多帧点云对目标的时空信息进行编码，隐式地学习目标的运动信息，可以建立不同帧之间的相关性，高效地跟踪当前帧中的目标。同时，与直接使用点特征进行特征融合不同，我们首先将点云特征裁剪成多个面片，然后使用稀疏注意力机制对面片级相似度进行编码，最后融合多帧特征。大量实验表明，我们的方法在挑战大规模基准测试集( KITTI中62.6 % , NuScenes中49.66 %)上取得了有竞争力的结果。
以上内容来自小六的机器人SLAM学习圈知识星球每日更新内容
最后介绍一下我们最近的几个学习活动：（点击下方标题即可快速获取）
1、实战：基于ORB-SLAM2的管道机器人圆柱约束的位姿估计
管道内单目视觉SLAM尺度漂移较明显，定位挑战很大。学完本项目，你可以动手做到：利用管道的圆柱形结构约束，基于ORB-SLAM2改进地图点位置估计，从而优化SLAM算法精度。详情点击 实战：基于ORB-SLAM2的管道机器人圆柱约束的位姿估计
2、快速入门多传感器融合SLAM：LVI-SAM
LVI-SAM是MIT团队的TixiaoShan等人开源的一个紧耦合的激光雷达视觉惯导SLAM系统，可以实时高精度鲁棒的进行状态估计和建图。哈工大博士带你学习，1个月的学习挑战赛，详情点击 MIT团队开源的这个激光雷达视觉惯导SLAM系统，太香了！
3、快速入门激光雷达惯性SLAM-FastLio2
FAST-LIO2是香港大学火星实验室（MARS）发表在IEEE-RAL和IEEE-TRO的两篇论文，是一种具有高计算效率、高鲁棒性的雷达惯性里程计（LIO）本课程中上海交通大学博士王泽霖推出为期1个月的学习挑战赛第2期，从原理到实战快速掌握，详情点击 香港大学开源的这个激光雷达惯性SLAM，太强了！
4、效果逼近LIO-SAM！带你实现激光雷达SLAM
本项目对ALOAM进行改进，融合众多新技术，ALOAM+ LINK3D + CSF + BALM，纯激光雷达SLAM效果逼近LIO-SAM。详情点击 我用纯LiDAR SLAM实现逼近LIO-SAM的效果，如何做到？
继续阅读
阅读原文
关键词
激光雷达
机器人SLAM
鲁棒
点云
方法