『壹』 什麼是liuli計算
LIGI計算是一種基於激光雷達(Lidar)和相機(Camera)技術的計算機視覺演算法，用於在三維空間中檢測和識別物體。它使用激光雷達數據和相機圖像數據生成三維模型，並通過這個模型預測物體的位置、速度和形狀。LIGI計算採用非監督學習方法，可以訓練大量沒有標簽的數據，從而學習如何識別物體。通過深度神經網路，該演算法能夠自動從圖像和激光雷達數據中識別和分類物體。
LIGI計算在多個領域有著廣泛的應用，包括自動駕駛、機器人、建築安全和環境監測等。例如，在自動駕駛領域，LIGI計算可以用來檢測和識別障礙物、行人、車輛和野生動物，幫助自動駕駛車輛避免交通事故和遵守交通規則。在機器人領域，LIGI計算能夠幫助機器人准確地定位和識別物體，提高其操作精度。在建築安全領域，LIGI計算可以用於監測建築物周圍環境的變化，及時發現潛在的安全隱患。而在環境監測方面，LIGI計算則可以用來監測森林火災、洪水等自然災害，提供准確的數據支持。
LIGI計算的演算法設計具有高度的靈活性，可以根據具體應用場景調整模型參數和訓練數據集。此外，LIGI計算還能夠處理大規模數據集，提高計算效率和准確性。隨著技術的不斷進步，LIGI計算在未來將會在更多領域發揮重要作用，為人類社會帶來更多的便利和發展機遇。
在自動駕駛領域，LIGI計算不僅能夠識別物體，還可以預測物體的運動軌跡，從而幫助自動駕駛車輛做出更加合理的決策。例如，在遇到行人橫穿馬路時，LIGI計算可以預測行人下一步的移動方向，使車輛提前減速或停車，避免發生交通事故。
在機器人領域，LIGI計算不僅可以識別物體，還可以通過三維模型重建物體的詳細信息，如物體的大小、形狀和顏色等。這有助於機器人更好地理解周圍環境，提高其操作精度和靈活性。
在建築安全領域，LIGI計算可以實時監測建築物周圍環境的變化，如樹木倒塌、牆體裂縫等，及時發現潛在的安全隱患。這有助於建築管理部門及時採取措施，防止安全事故的發生。
在環境監測方面，LIGI計算可以用來監測森林火災、洪水等自然災害，提供准確的數據支持。例如，在監測森林火災時，LIGI計算可以實時獲取火場的三維模型，幫助消防人員快速了解火場的實際情況，為滅火工作提供決策支持。
『貳』 無人配送機器人依靠哪些定位技術實現精準導航
無人配送機器人實現精準導航主要依靠以下幾種定位技術：
衛星定位技術
GNSS定位：GNSS是衛星導航系統，通過接收來自多顆衛星的信號，計算出接收器的位置、速度和時間。無人配送機器人利用GNSS接收器獲取衛星信號，並利用信號的時間延遲來確定自身位置。不過，GNSS信號可能受建築物、樹木等障礙物干擾，在復雜環境中單獨使用會出現誤差。
差分GPS及RTK技術：為提升定位精度，可採用差分GPS或RTK（實時運動定位）技術，結合地面基站的參考信號，進一步校正GNSS信號誤差，從而實現更高精度的定位。
慣性測量技術
慣性測量單元（IMU）由加速度計和陀螺儀組成，用於測量無人配送機器人的線性加速度和角速度。通過積分這些測量值，可估計機器人的位置、方向和速度變化。但IMU長時間使用會有累積誤差，導致位置漂移，因此通常與其他定位技術融合使用。
激光雷達定位技術
激光雷達探測度精準、抗干擾性能良好，是無人配送機器人精準感知環境的「眼睛」。其工作原理是向目標發射激光脈沖，並測量激光脈沖從發射到返回所需的時間，計算出目標與感測器之間的距離。通過激光雷達掃描周圍環境獲取距離信息，結合機器人的運動狀態，可實現機器人在未知環境中的即時定位與地圖構建，助力自主導航。
視覺定位技術
視覺SLAM（VSLAM）利用攝像機、Kinect等深度相機進行導航和探索。其工作原理是對機器人周邊環境進行光學處理，先用攝像頭採集圖像信息並壓縮，然後反饋到由神經網路和統計學方法構成的學習子系統，再將採集到的圖像信息與機器人的實際位置聯系起來，完成自主導航定位功能。
感測器融合技術
通過感測器融合演算法，如卡爾曼濾波和擴展卡爾曼濾波等，將上述多種定位技術的數據進行整合，校正各自的誤差，從而獲得更精確和穩定的定位和導航信息。例如，將GNSS和IMU的數據融合，可有效減少定位誤差和漂移，確保無人配送機器人在信號受限或復雜環境中也能穩定導航。
『叄』 激光雷達SLAM演算法
機器人研究的問題包含許許多多的領域，我們常見的幾個研究的問題包括：建圖(Mapping)、定位(Localization)和路徑規劃（Path Planning），如果機器人帶有機械臂，那麼運動規劃（Motion Planning）也是重要的一個環節，SLAM需要機器人在未知的環境中逐步建立起地圖，然後根據地區確定自身位置，從而進一步定位。
ROS系統通常由大量節點組成，其中任何一個節點均可以通過發布/訂閱的方式與其他節點進行通信。舉例來說，機器人上的一個位置感測器如雷達單元就可以作為ROS的一個節點，雷達單元可以以信息流的方式發布雷達獲得的信息，發布的信息可以被其他節點如導航單元、路徑規劃單元獲得。
ROS的通信機制：
ROS（機器人操作系統）中SLAM的一些功能包，也就是一些常用的SLAM演算法，例如Gmapping、Karto、Hector、Cartographer等演算法。我們不會去關注演算法背後的數學原理，而是更注重工程實現上的方法，告訴你SLAM演算法包是如何工作的，怎樣快速的搭建起SLAM演算法。
地圖 ： ROS中的地圖很好理解，就是一張普通的灰度圖像，通常為pgm格式。這張圖像上的黑色像素表示障礙物，白色像素表示可行區域，灰色是未探索的區域
地圖在ROS中是以Topic的形式維護和呈現的，這個Topic名稱就叫做 /map ，由於 /map 中實際上存儲的是一張圖片，為了減少不必要的開銷，這個Topic往往採用鎖存（latched）的方式來發布。地圖如果沒有更新，就維持著上次發布的內容不變，此時如果有新的訂閱者訂閱消息，這時只會收到一個 /map 的消息，也就是上次發布的消息；只有地圖更新了（比如SLAM又建出來新的地圖），這時 /map 才會發布新的內容。 這種方式非常適合變動較慢、相對固定的數據（例如地圖），然後只發布一次，相比於同樣的消息不定的發布，鎖存的方式既可以減少通信中對帶寬的佔用，也可以減少消息資源維護的開銷。
Gmapping ，Gmapping演算法是目前基於激光雷達和里程計方案裡面比較可靠和成熟的一個演算法，它基於粒子濾波，採用RBPF的方法效果穩定，許多基於ROS的機器人都跑的是gmapping_slam。
gmapping的作用是根據激光雷達和里程計（Odometry）的信息，對環境地圖進行構建，並且對自身狀態進行估計。因此它得輸入應當包括激光雷達和里程計的數據，而輸出應當有自身位置和地圖。
論文支撐：R-LINS: A Robocentric Lidar-Inertial State Estimator for Robust and Efficient Navigation
6軸 IMU：高頻，聚焦自身運動，不採集外界環境數據
3D LiDAR：低頻，聚焦車體運動，採集外界環境數據
R-LINS使用以上兩種感測器來估計機器人的運動姿態， 對於任一感測器而言，單獨的依靠自己的數據是很難實現地圖構建的， 比如純雷達模型使用的感測器是激光雷達，可以很好的探測到外界的環境信息。但是，同樣的，也會受到這些信息的干擾，再長時間的運算中會產生一定的累計誤差。為了防止這種誤差干擾到後續的地圖構建中，需要使用另一種感測器來矯正機器人自身的位姿信息， 即IMU感測器，IMU感測器由於是自身運動估計的感測器，所以，採集的都是自身運動的姿態信息。可以很好的矯正激光雷達里程計的位姿信息。所以，通常使用激光雷達和慣導來進行數據融合，實現姿態信息的矯正。
一共分為三大塊：