‘壹’ 什么是liuli计算
LIGI计算是一种基于激光雷达(Lidar)和相机(Camera)技术的计算机视觉算法，用于在三维空间中检测和识别物体。它使用激光雷达数据和相机图像数据生成三维模型，并通过这个模型预测物体的位置、速度和形状。LIGI计算采用非监督学习方法，可以训练大量没有标签的数据，从而学习如何识别物体。通过深度神经网络，该算法能够自动从图像和激光雷达数据中识别和分类物体。
LIGI计算在多个领域有着广泛的应用，包括自动驾驶、机器人、建筑安全和环境监测等。例如，在自动驾驶领域，LIGI计算可以用来检测和识别障碍物、行人、车辆和野生动物，帮助自动驾驶车辆避免交通事故和遵守交通规则。在机器人领域，LIGI计算能够帮助机器人准确地定位和识别物体，提高其操作精度。在建筑安全领域，LIGI计算可以用于监测建筑物周围环境的变化，及时发现潜在的安全隐患。而在环境监测方面，LIGI计算则可以用来监测森林火灾、洪水等自然灾害，提供准确的数据支持。
LIGI计算的算法设计具有高度的灵活性，可以根据具体应用场景调整模型参数和训练数据集。此外，LIGI计算还能够处理大规模数据集，提高计算效率和准确性。随着技术的不断进步，LIGI计算在未来将会在更多领域发挥重要作用，为人类社会带来更多的便利和发展机遇。
在自动驾驶领域，LIGI计算不仅能够识别物体，还可以预测物体的运动轨迹，从而帮助自动驾驶车辆做出更加合理的决策。例如，在遇到行人横穿马路时，LIGI计算可以预测行人下一步的移动方向，使车辆提前减速或停车，避免发生交通事故。
在机器人领域，LIGI计算不仅可以识别物体，还可以通过三维模型重建物体的详细信息，如物体的大小、形状和颜色等。这有助于机器人更好地理解周围环境，提高其操作精度和灵活性。
在建筑安全领域，LIGI计算可以实时监测建筑物周围环境的变化，如树木倒塌、墙体裂缝等，及时发现潜在的安全隐患。这有助于建筑管理部门及时采取措施，防止安全事故的发生。
在环境监测方面，LIGI计算可以用来监测森林火灾、洪水等自然灾害，提供准确的数据支持。例如，在监测森林火灾时，LIGI计算可以实时获取火场的三维模型，帮助消防人员快速了解火场的实际情况，为灭火工作提供决策支持。
‘贰’ 无人配送机器人依靠哪些定位技术实现精准导航
无人配送机器人实现精准导航主要依靠以下几种定位技术：
卫星定位技术
GNSS定位：GNSS是卫星导航系统，通过接收来自多颗卫星的信号，计算出接收器的位置、速度和时间。无人配送机器人利用GNSS接收器获取卫星信号，并利用信号的时间延迟来确定自身位置。不过，GNSS信号可能受建筑物、树木等障碍物干扰，在复杂环境中单独使用会出现误差。
差分GPS及RTK技术：为提升定位精度，可采用差分GPS或RTK（实时运动定位）技术，结合地面基站的参考信号，进一步校正GNSS信号误差，从而实现更高精度的定位。
惯性测量技术
惯性测量单元（IMU）由加速度计和陀螺仪组成，用于测量无人配送机器人的线性加速度和角速度。通过积分这些测量值，可估计机器人的位置、方向和速度变化。但IMU长时间使用会有累积误差，导致位置漂移，因此通常与其他定位技术融合使用。
激光雷达定位技术
激光雷达探测度精准、抗干扰性能良好，是无人配送机器人精准感知环境的“眼睛”。其工作原理是向目标发射激光脉冲，并测量激光脉冲从发射到返回所需的时间，计算出目标与传感器之间的距离。通过激光雷达扫描周围环境获取距离信息，结合机器人的运动状态，可实现机器人在未知环境中的即时定位与地图构建，助力自主导航。
视觉定位技术
视觉SLAM（VSLAM）利用摄像机、Kinect等深度相机进行导航和探索。其工作原理是对机器人周边环境进行光学处理，先用摄像头采集图像信息并压缩，然后反馈到由神经网络和统计学方法构成的学习子系统，再将采集到的图像信息与机器人的实际位置联系起来，完成自主导航定位功能。
传感器融合技术
通过传感器融合算法，如卡尔曼滤波和扩展卡尔曼滤波等，将上述多种定位技术的数据进行整合，校正各自的误差，从而获得更精确和稳定的定位和导航信息。例如，将GNSS和IMU的数据融合，可有效减少定位误差和漂移，确保无人配送机器人在信号受限或复杂环境中也能稳定导航。
‘叁’ 激光雷达SLAM算法
机器人研究的问题包含许许多多的领域，我们常见的几个研究的问题包括：建图(Mapping)、定位(Localization)和路径规划（Path Planning），如果机器人带有机械臂，那么运动规划（Motion Planning）也是重要的一个环节，SLAM需要机器人在未知的环境中逐步建立起地图，然后根据地区确定自身位置，从而进一步定位。
ROS系统通常由大量节点组成，其中任何一个节点均可以通过发布/订阅的方式与其他节点进行通信。举例来说，机器人上的一个位置传感器如雷达单元就可以作为ROS的一个节点，雷达单元可以以信息流的方式发布雷达获得的信息，发布的信息可以被其他节点如导航单元、路径规划单元获得。
ROS的通信机制：
ROS（机器人操作系统）中SLAM的一些功能包，也就是一些常用的SLAM算法，例如Gmapping、Karto、Hector、Cartographer等算法。我们不会去关注算法背后的数学原理，而是更注重工程实现上的方法，告诉你SLAM算法包是如何工作的，怎样快速的搭建起SLAM算法。
地图 ： ROS中的地图很好理解，就是一张普通的灰度图像，通常为pgm格式。这张图像上的黑色像素表示障碍物，白色像素表示可行区域，灰色是未探索的区域
地图在ROS中是以Topic的形式维护和呈现的，这个Topic名称就叫做 /map ，由于 /map 中实际上存储的是一张图片，为了减少不必要的开销，这个Topic往往采用锁存（latched）的方式来发布。地图如果没有更新，就维持着上次发布的内容不变，此时如果有新的订阅者订阅消息，这时只会收到一个 /map 的消息，也就是上次发布的消息；只有地图更新了（比如SLAM又建出来新的地图），这时 /map 才会发布新的内容。 这种方式非常适合变动较慢、相对固定的数据（例如地图），然后只发布一次，相比于同样的消息不定的发布，锁存的方式既可以减少通信中对带宽的占用，也可以减少消息资源维护的开销。
Gmapping ，Gmapping算法是目前基于激光雷达和里程计方案里面比较可靠和成熟的一个算法，它基于粒子滤波，采用RBPF的方法效果稳定，许多基于ROS的机器人都跑的是gmapping_slam。
gmapping的作用是根据激光雷达和里程计（Odometry）的信息，对环境地图进行构建，并且对自身状态进行估计。因此它得输入应当包括激光雷达和里程计的数据，而输出应当有自身位置和地图。
论文支撑：R-LINS: A Robocentric Lidar-Inertial State Estimator for Robust and Efficient Navigation
6轴 IMU：高频，聚焦自身运动，不采集外界环境数据
3D LiDAR：低频，聚焦车体运动，采集外界环境数据
R-LINS使用以上两种传感器来估计机器人的运动姿态， 对于任一传感器而言，单独的依靠自己的数据是很难实现地图构建的， 比如纯雷达模型使用的传感器是激光雷达，可以很好的探测到外界的环境信息。但是，同样的，也会受到这些信息的干扰，再长时间的运算中会产生一定的累计误差。为了防止这种误差干扰到后续的地图构建中，需要使用另一种传感器来矫正机器人自身的位姿信息， 即IMU传感器，IMU传感器由于是自身运动估计的传感器，所以，采集的都是自身运动的姿态信息。可以很好的矫正激光雷达里程计的位姿信息。所以，通常使用激光雷达和惯导来进行数据融合，实现姿态信息的矫正。
一共分为三大块：