LIO-SEGMOT 项目下载及安装教程
2024-12-05 22:24:14作者:伍霜盼Ellen
1. 项目介绍
LIO-SEGMOT(LiDAR-Inertial Odometry via Simultaneous Ego-motion Estimation and Multiple Object Tracking)是一个优化型的里程计方法,专门针对动态环境设计。该项目能够在保持里程计系统关键帧选择机制的同时,提供连续的对象跟踪结果。LIO-SEGMOT 的工作已被 ICRA 2023 接受发表。
2. 项目下载位置
项目源代码托管在 GitHub 上,可以通过以下命令进行克隆:
git clone https://github.com/StephLin/LIO-SEGMOT.git
3. 项目安装环境配置
3.1 系统要求
LIO-SEGMOT 项目最初在 Ubuntu 18.04 上开发,建议使用相同版本的系统进行安装。虽然不确定是否支持其他版本的 Ubuntu 或其他 Linux 发行版,但可以尝试。
3.2 依赖安装
在安装 LIO-SEGMOT 之前,需要安装以下依赖包:
- ROS Melodic(完整桌面安装)
- GTSAM 4.0.3
3.2.1 安装 ROS Melodic
sudo apt update
sudo apt install ros-melodic-desktop-full
3.2.2 安装 GTSAM
cd ~
git clone -b 4.0.3 https://github.com/borglab/gtsam.git
cd gtsam
mkdir build && cd build
cmake ..
sudo make install
3.3 环境配置示例
以下是环境配置的示例图片:
4. 项目安装方式
4.1 构建项目
在克隆项目后,进入项目目录并构建项目:
source /opt/ros/melodic/setup.bash
mkdir -p ~/catkin_ws/src
cd ~/catkin_ws/src
git clone https://github.com/StephLin/LIO-SEGMOT.git
cd ..
catkin_make
4.2 配置对象检测服务
LIO-SEGMOT 提供了两个对象检测服务:
- StephLin/SE-SSD-ROS(Apache-2.0 许可证)
- StephLin/livox_detection_lio_segmot(GPL-3.0 许可证)
请根据它们的安装说明进行安装。
5. 项目处理脚本
5.1 运行 LIO-SEGMOT
运行 LIO-SEGMOT 的步骤如下:
# 可选:启动 ROS 核心
roscore
# 启动 LIO-SEGMOT 服务
roslaunch lio_segmot run_kitti.launch
# 启动对象检测服务
# 请根据文档启动 SE-SSD-ROS 或 livox_detection_lio_segmot
# 启动自定义的 ROS bag 播放器
rosrun lio_segmot lio_segmot_offlineBagPlayer _bag_filename:="path/to/your/sequence.bag"
5.2 服务调用
LIO-SEGMOT 提供了两个服务:
/lio_segmot/save_map:保存 LiDAR 地图/lio_segmot/save_estimation_result:输出当前的估计结果
示例:
# 保存地图
rosservice call /lio_segmot/save_map 0.2 /path/to/a/directory/
# 保存估计结果
rosservice call /lio_segmot/save_estimation_result
通过以上步骤,您可以成功下载、安装并运行 LIO-SEGMOT 项目。
登录后查看全文
热门项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
669
155
Ascend Extension for PyTorch
Python
219
236
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
660
308
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.81 K
React Native鸿蒙化仓库
JavaScript
259
322
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.19 K
653
仓颉编程语言运行时与标准库。
Cangjie
141
878