1、VMware安装

VMware安装包：https://www.123pan.com/s/g520Vv-Dg2id

VMware虚拟机-Ubuntu设置共享文件夹（超详细）：VMware虚拟机-Ubuntu设置共享文件夹（超详细）_vmware ubuntu共享文件夹-CSDN博客

鱼香ROS一键安装：ubuntu系统安装ROS（简单版）

ubuntu 下 opencv的安装以及配置（亲测有效）：

ubuntu 下 opencv的安装以及配置（亲测有效）_ubuntu安装opencv-CSDN博客

2、R3live 环境配置

R3live源代码github链接：hku-mars/r3live：稳健、实时、RGB 颜色、LiDAR-Inertial-Visual 紧密耦合状态估计和映射包

R3LIVE公开数据集：r3live_shared_bags - OneDrive

  • 2.1 R3live使用Livox HAP + Realsnese d435i调试记录：

R3live 使用Livox HAP + Realsnese d435i调试记录_livox和d435i时间同步-CSDN博客

  • 2.2 香港大学R3live：手把手教你如何编译和运行：

香港大学R3live：手把手教你如何编译和运行_r3live教程-CSDN博客

  • 2.3 R3LIVE开源代码全体验及测试

R3LIVE开源代码全体验及测试 - 知乎

离线点云地图：/home/wulilong/r3live_output/rgb_pt.pcd

  • R3LIVE环境搭建、编译及运行教程（纯新人小白向）基于Ubuntu20.04（最详细的教程）

R3LIVE环境搭建、编译及运行教程（纯新人小白向）基于Ubuntu20.04-CSDN博客

  • 如果窗口闪退或者不显示点云文件，关闭虚拟机的3D图形加速功能，步骤如下：

    关闭虚拟机，虚拟机-设置-显示器-加速3D图形，再打开虚拟机

R3LIVE编译运行(自己数据集)，用自己的设备实机操作中遇到的一系列问题：

R3LIVE编译运行(自己数据集)，用自己的设备实机操作中遇到的一系列问题-CSDN博客

3、【论文阅读】R3LIVE

多传感器融合SLAM|R3LIVE论文带读（上）（划重点）——香港大学火星实验室研究工作 - 知乎

  • 3.3 港大重磅SLAM新作！R3LIVE++：一个实时鲁棒的紧耦合激光雷达-惯性-视觉融合框架…（自动驾驶之心）

港大重磅SLAM新作！R3LIVE++：一个实时鲁棒的紧耦合激光雷达-惯性-视觉融合框架…-CSDN博客

  • 3.4 R3 LIVE：一个强大、实时、RGB彩色、激光雷达-惯性-视觉紧密耦合的状态估计和建图

R3 LIVE：一个强大、实时、RGB彩色、激光雷达-惯性-视觉紧密耦合的状态估计和建图_r3live-CSDN博客

摘要

​ 本文提出一种新的激光-惯性-视觉传感器融合框架，称为 R3LIVE ，其利用激光雷达、惯性以及视觉传感器测量去实现鲁棒精确的状态估计。 R3LIVE 包含两个子系统，激光-惯性里程计LIO以及视觉-惯性里程计VIO。LIO子系统（FAST LIO）利用激光雷达和惯性传感器的测量，构建出全局地图的几何结构（比如，三维点的位置）。VIO子系统利用视觉-惯性传感器的数据，然后渲染出上面地图的纹理（比如，三维点的颜色）。更具体地是，VIO子系统通过减小frame-to-map之间的photometric error光度误差，来直接并高效的融合视觉数据。提出的 R3LIVE 系统是基于我们之前的工作 R2LIVE ，并且进行了仔细的结构设计与实现。实验结果表明，提出的系统在状态估计上要比目前最好的对比方法更加鲁棒，具有更高的准确度。

​ R3LIVE 是针对各种可能的应用提出的一种通用且设计良好的系统，其不仅能被当作一个实时SLAM系统用于移动机器人，而且也能针对类似测量与建图的应用，重建出稠密、精确、彩色三维地图。此外，为了使得 R3LIVE 更具扩展性，我们开发了一系列离线实用程序用于重建和纹理映射，这样进一步缩小了 R3LIVE 和多种3D程序之间的差距，比如仿真、视频游戏等等。为了分享我们的发现，并为社区做出贡献，我们在Github上开源了 R3LIVE ，包含我们的所有源码，离线实用功能包，以及我们试用的整个设备的机械设计。

4、R3LIVE 代码解析

R3LIVE 代码解析：

R3LIVE 代码解析 - 知乎

5、【论文阅读】FAST-LIVO

FAST-LIVO：快速紧耦合稀疏直接激光雷达惯性视觉里程计 - 知乎

摘要：

​ 为了在同步定位与建图（SLAM）任务中实现精确和稳健的姿态估计，多传感器融合被证明是一种有效的解决方案，因此在机器人应用中具有巨大的潜力。本文提出了一种快速激光雷达惯性视觉里程计系统FAST-LIVO，它建立在两个紧密耦合的直接里程计子系统上：一个VIO子系统和一个LIO子系统。

​ LIO子系统将新扫描的原始点（而不是边缘或平面上的特征点）注册到增量构建的点云图中。映射点附加有图像补丁，然后在VIO子系统中使用图像补丁，通过最小化直接光度误差来对准新图像，而不提取任何视觉特征（例如，ORB或FAST角特征）。为了进一步提高VIO的鲁棒性和准确性，提出了一种新的异常点剔除方法来剔除图像视图中位于边缘或被遮挡的不稳定映射点。

​ 对开放数据序列和我们定制的设备数据进行了实验。结果表明，我们提出的系统优于其他系统，可以在降低计算成本的情况下处理具有挑战性的环境。该系统支持多线旋转激光雷达和具有完全不同扫描模式的新兴固态激光雷达，并且可以在英特尔和ARM处理器上实时运行。我们在Github2上开源了这项工作的代码和数据集，以造福机器人社区。

6、FAST-LIVO环境配置

使用D435i+Avia跑Fast-LIVO：使用D435i+Avia跑Fast-LIVO_fast livo-CSDN博客