在前面的工作中，我们成功使用了gmapping+move_base实现自主导航，并且成功在仿真环境中运行了liosam，今天打算结合，采用LIO-SAM建图和定位，move_base实现导航。大致内容如下：仿真环境准备在之前的内容中，已经介绍了仿真实验环境怎么搭建，具体可以参考链接：https://www.cnblogs.com/binb

该篇文章是对LiDAR里程计（Odometry）的最新进展和挑战进行的全面综述。是首个全面涵盖LiDAR里程计各类方法的综述，填补了之前研究的空白。为了让读者深入了解该项技术，笔者结合自身的一些经验和理解，将拆分成三个部分为大家详细解读，分别为：LiDAR-Only与LIO算法综述（一），多激光与多传感器

松灵机器人Scoutmini小车运行lio-sam在之前的工作中，我们已经实现了用小车搭载传感器，采用gmapping建图和navigation导航实现小车在2D环境中自主导航，但是实际我们采用的激光雷达多为三维激光雷达。因此决定采用lio-sam来建图。具体操作步骤如下。1.下载雷达仿真1.1下载激光雷达

1EVO的安装EVO是一个开源工具，项目地址：https://github.com/MichaelGrupp/evo.git使用以下指令安装：pipinstallevo--upgrade--no-binaryevo2使用kitti数据集评估kitti格式转rosbag下载kitti格式数据集kitti中的十个序列对应的rawdata关系如下：点击查看代码00:2011_

论文精读系列文章下面是SLAM算法与工程实践系列文章的总链接，本人发表这个系列的文章链接均收录于此论文精读系列文章链接下面是专栏地址：论文精读系列文章专栏文章目录论文精读系列文章论文精读系列文章链接论文精读系列文章专栏前言论文精读系列文章——

运行FAST_LIO2：步骤1:cd/home/slam/FAST_LIOsourcedevel/setup.bashroslaunch./src/FAST_LIO/launch/mapping_velodyne.launch步骤2:cd/home/slam/datasetsrosbagplaykitti_2011_09_30_drive_0016_synced.bagTUM格式的轨迹保存在：/home/slam/FAST_LIO/tum_path.txt运行FA

转载自：柑橘全程机械化平台编辑：一点人工一点智能原文：SLAM经典：FSAT-LIO今天给大家分享IEEERoboticsandAutomationLetters上发表经典文章：FAST-LIO:AFast,RobustLiDAR-inertialOdometryPackagebyTightly-CoupledIteratedKalmanFilter。文章中主要介绍了香港大学火星实验

Unsupportedmajor.minorversion52.0(unabletoloadclassxxx)jdk版本问题：52.0->不支持jdk8Invalidbytetaginconstantpool19tomcat版本问题：19->tomcat版

前言与参考主要是copy一下总结，方便自己后续找方案特定使用，所有的出处均在标题处和原链接跳转，此处仅做各个benchmark收集使用，如果有原作者觉得侵权，请联系我将全力配合相关

//排除容易混淆的iI(i)lL（L）oO(o)0(零)functionrandomPassword(type,size){varseed=newArray('A','B','C','D','E','F','G','H','J','K','M','N&