Awesome GitHub RepositoriesIncremental 3D Mapping

FAST_LIO ist ein Echtzeit-SLAM-System und ein LiDAR-Inertial-Odometrie-Paket für Simultaneous Localization and Mapping. Es fungiert als State-Estimation-Engine und 3D-Mapping-Tool, das LiDAR-Punktwolken mit Daten von Inertial Measurement Units (IMU) fusioniert, um eine robuste Schätzung des Roboterzustands zu ermöglichen. Das System nutzt einen eng gekoppelten Sensor-Fusionsansatz mit einem iterativen Kalman-Filter zur Schätzung von Position und Orientierung. Es zeichnet sich durch direktes Point-to-Plane-Matching aus, das die Odometrie berechnet, indem rohe Lidar-Punkte mit der Kartenoberfläche abgeglichen werden, ohne manuelle geometrische Merkmalsextraktion. Um hohe Verarbeitungsgeschwindigkeiten beizubehalten, verwendet es inkrementelles KD-Tree-Mapping und parallele räumliche Suchbäume. Das Framework deckt ein breites Spektrum an Funktionen ab, darunter Motion-Undistortion zur Korrektur räumlicher Verzerrungen und Synchronisierung von Sensor-Zeitstempeln. Es bietet zudem Hilfsmittel für die Kalibrierung von Sensor-Extrinsics, die Initialisierung der Sensorausrichtung und den Export akkumulierter globaler Punktwolken. Das Projekt ist in C++ implementiert und bietet Interfaces zur Integration externer IMU- und LiDAR-Datenströme.

This project is a comprehensive library and toolkit for simultaneous localization and mapping, designed to construct three-dimensional environment models while tracking device position. It functions as a robotics perception framework that processes data from RGB-D, stereo, and lidar sensors to enable autonomous navigation and spatial awareness. The system distinguishes itself through its focus on long-term mapping and global consistency. It employs a sophisticated loop-closure detection engine and graph-based pose optimization to identify previously visited locations and eliminate cumulative