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~）
#论文##开源# CASE 2023|北理工开源TDLE: 利用区域划分进行分层规划的2D激光雷达探索
【TDLE: 2-D LiDAR Exploration With Hierarchical Planning Using Regional Division】
文章链接：230702852TDLE2-DLiDARExplorationWithHierarchicalPl...
开源代码：GitHub-SeanZsyatdleTDLE2DLidarExplorationwithHiera...
演示视频：https://youtu.be/aPXxOKf1o10
 探索系统对于增强机器人的自主性至关重要。由于未来规划空间的不可预测性，现有方法要么采用低效的贪婪策略，要么需要耗费大量资源来获得全局解。在这项工作中，我们解决了以最少的计算资源获得全局探索路线的挑战。分层规划框架动态地将规划空间划分为子区域并排列其顺序，为探索问题提供全局的指导。使用与次区域顺序一致的指标来选择特定的探索目标，从而考虑空间结构的估计，并将规划空间扩展到未知区域。大量的仿真和实地测试证明了我们的方法与现有的基于2D LiDAR的方法相比的有效性。
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。详情点击效果逼近LIO-SAM！带你实现激光雷达SLAM：ALOAM+ LINK3D + CSF + BALM
继续阅读
阅读原文