#机器人基础
机器人基础
September 7, 2026
激光雷达SLAM入门——如何从激光点云中确定“我在哪里”
相机通过反射光模式间接推断距离；激光雷达则直接通过激光脉冲的飞行时间测量距离。激光雷达实时定位与地图构建（LiDAR-SLAM）技术正是基于对主动测距传感器返回的点云进行配准而构建的。本文系统地从扫描匹配的两大支柱——积分交叉匹配（ICP）和无损检测（NDT）入手，逐步深入到LOAM的特征设计、回环检测和图SLAM，直至地标算法的发展历程——LeGO-LOAM、Cartographer、LIO-SAM、FAST-LIO2。
Fundamentals · 25 分钟阅读
机器人基础
September 7, 2026
VIO/LIO 入门——将 IMU 与摄像头或激光雷达结合用于自定位
“单独使用摄像头或激光雷达在某些情况下会失效。将这两种传感器与惯性测量单元（IMU，加速度计+陀螺仪）结合使用可以弥补这一缺陷——这就是视觉惯性里程计（VIO）和激光雷达惯性里程计（LIO）的工作原理。本文首先解释了为什么单独使用IMU无法恢复位置，然后阐述了两种设计理念——基于滤波和基于优化——以及ROVIO、OKVIS、VINS-Mono和OpenVINS等算法中的标志性算法，并最终介绍了LIO-SAM和FAST-LIO2。”
Fundamentals · 21 分钟阅读
计算机视觉
September 7, 2026
视觉SLAM入门——摄像头如何学习“我在哪里”"
即使没有GPS和地图，机器人也能仅凭摄像头图像确定自身位置并构建周围环境地图。本文将从特征跟踪和极线几何的角度，系统地讲解视觉里程计和SLAM的区别，地标算法从ORB-SLAM到LSD-SLAM和DSO的演变，以及光束法平差，深入剖析视觉SLAM的实际工作原理。
Fundamentals · 22 分钟阅读
机器人基础
September 6, 2026
传感器融合入门——利用多种传感器构建全球统一模型
摄像头擅长感知意义，激光雷达擅长捕捉几何形状，惯性测量单元（IMU）擅长捕捉运动——但它们各自都有盲区。本文从融合这些传感器的概率和优化数学方法（卡尔曼滤波器、因子图）入手，系统地介绍了传感器融合如何将多个传感器的数据整合为一个统一的世界模型。
Fundamentals · 19 分钟阅读
机器学习
September 5, 2026
目标检测与语义分割入门——从图像中读取“物体位置”
目标检测通过绘制方框来框选物体；语义分割则根据图像含义为每个像素着色。本文将从两者的区别入手，探讨实例分割和全景分割，追溯 R-CNN、YOLO、DETR 和 DINO 的发展历程，直至它们对应的 3D 点云模型——系统地介绍场景理解的基本原理。
Fundamentals · 19 分钟阅读
机器人基础
September 4, 2026
机器人手臂运动学入门——正向运动学、逆向运动学和雅可比矩阵
正向运动学通过关节角度确定机械臂的位置和姿态；逆向运动学解决相反的问题；雅可比矩阵通过“速度”将两者联系起来。从使用DH参数构建坐标变换，到解析逆运动学、数值逆运动学（阻尼最小二乘法）、奇异性以及冗余自由度——本书从根本上系统地阐述了控制机械臂运动的运动学原理。
Fundamentals · 17 分钟阅读
机器人基础
September 4, 2026
力控制和阻抗控制入门——构建一个可以触摸的机器人
“本文从位置控制的机器人手臂接触刚体瞬间实际发生的情况入手——以及为什么这使得装配、抛光和人机交互任务变得不可能——探讨了阻抗控制（通过虚拟弹簧、阻尼器和质量将力和位移联系起来）、导纳控制（逆转这种因果关系）和混合位置/力控制（按空间方向分离位置和力），并从方程式和图表中构建了这些概念。”
Fundamentals · 16 分钟阅读
机器人基础
September 4, 2026
群体控制（多机器人）入门——构建集群、队形和共识
群体控制能够解决单个机器人无法解决的问题，它仅使用“简单的局部规则”应用于多个机器人。本文从利用Boids模拟集群行为、通过共识算法达成一致，到三种编队控制方法——领导者-跟随者、虚拟结构和基于行为的控制——系统地梳理了集中式和分散式架构之间的区别，从而构建了该领域的研究框架。
Fundamentals · 15 分钟阅读
机器人基础
September 3, 2026
航位推算入门——整合轮子、惯性测量单元和全球导航卫星系统以跟踪机器人的运动
航位推算是一种基础技术，它通过整合车轮旋转、惯性测量单元（IMU）读数和速度传感器数据来更新机器人的姿态和位置。本文涵盖了差速驱动运动学、误差累积、基于扩展卡尔曼滤波器（EKF）的校正以及在室内运输机器人和自动驾驶中的应用，并附有公式和图表。
Fundamentals · 9 分钟阅读