H2-Mapping 项目下载及安装教程
1. 项目介绍
H2-Mapping 是一个实时密集建图项目,使用分层混合表示方法,能够在边缘计算机上实现高质量的实时建图。该项目获得了2023年IEEE机器人与自动化快报(RAL)最佳论文奖。H2-Mapping 结合了神经辐射场(NeRF)技术,通过隐式多分辨率哈希编码和显式八叉树SDF先验,实现了快速场景几何初始化和学习。此外,项目还提出了一种覆盖最大化的关键帧选择策略,以解决遗忘问题并增强建图质量,特别是在边缘区域。
2. 项目下载位置
要下载 H2-Mapping 项目,请使用以下命令克隆项目仓库及其子模块:
git clone --recursive https://github.com/SYSU-STAR/H2-Mapping.git
3. 项目安装环境配置
3.1 创建 Anaconda 环境
首先,创建一个名为 h2mapping 的 Anaconda 环境。请注意,安装 Open3D 的 0.17.0 版本可能会导致重建评估时出错,因此建议安装 0.16.0 版本。
cd H2-Mapping/mapping
conda env create -f h2mapping.yaml
3.2 安装 PyTorch
根据您的硬件平台手动安装 PyTorch。
3.3 安装依赖包
运行以下脚本安装依赖包:
bash install.sh
3.4 安装 tinycudann 及其 PyTorch 扩展
按照以下步骤安装 tinycudann 及其 PyTorch 扩展:
cd third_party/tinycudann
cmake -B build -DCMAKE_BUILD_TYPE=RelWithDebInfo
cmake --build build --config RelWithDebInfo -j
cd bindings/torch
python setup.py install
4. 项目安装方式
4.1 在数据集上运行(仅建图)
替换 src/mapping.py 中的库文件路径:
torch.classes.load_library("third_party/sparse_octree/build/libxxx/svo_xxx.so")
下载 Replica 数据集并保存到 /Datasets/Replica 文件夹中:
bash mapping/scripts/download_replica.sh
执行 H2-Mapping:
cd mapping
python -W ignore demo/run_mapping.py configs/replica/room_0.yaml
4.2 在 ROS 上运行(完整 SLAM)
安装 Ubuntu、ROS、Ceres 和 OpenCV。如果您成功运行了 VINS-Fusion,您也可以运行我们的跟踪代码。
构建跟踪模块:
cd H2-Mapping
catkin_make
替换 src/mapping.py 中的库文件路径:
torch.classes.load_library("third_party/sparse_octree/build/libxxx/svo_xxx.so")
下载并解压 ROS bag:
rosbag decompress tower_compress.bag
配置跟踪参数和 ROS 参数,然后运行建图模块:
conda activate h2mapping
cd H2-Mapping
source devel/setup.bash
cd mapping
python -W ignore demo/run_mapping.py configs/realsense/tower.yaml -run_ros
5. 项目处理脚本
5.1 运行跟踪模块
在单独的终端中运行以下命令:
cd H2-Mapping
bash ros_cmd/run_vins_rgbd.sh
5.2 播放 ROS Bag
在另一个终端中播放 ROS Bag:
rosbag play tower_compress.orig.bag
5.3 终止所有模块
在终端中执行以下命令终止所有模块:
rosnode kill -a
5.4 使用自己的 RGB-D 序列
修改 mapping/configs/realsense 中的配置文件,并根据您的设备修改 src/dvins/config/uav2022/uav_nerf.yaml 中的跟踪配置文件。
5.5 评估重建误差
下载 Replica 网格的真值数据:
bash scripts/download_replica_mesh.sh
替换 eval/eval_recon.py 中的库文件路径,然后运行以下命令:
cd mapping
OUTPUT_FOLDER=your_output_folder
python eval/eval_recon.py -2d -3d
以上是 H2-Mapping 项目的下载及安装教程,希望对您有所帮助。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00