robot-learning

机器人技术学习与练习仓库 —— 覆盖感知、多模态融合、导航规划三大方向。 个人学习用途,跟随经典教材与开源项目动手实践。

目录结构

robot-learning/
├── perception/        机器人感知
│   └── visual_slam/   视觉 SLAM(《视觉SLAM十四讲》练习)
├── fusion/            多模态融合(IMU/视觉/激光融合、滤波、标定)
├── planning/          导航规划(路径规划、避障、Nav2)
└── reference/         参考资料与第三方代码
    ├── slambook2/     《视觉SLAM十四讲》官方配套代码
    └── FAST_LIO/      紧耦合激光-惯性里程计(git 子模块)

克隆与子模块

reference/FAST_LIO/ 是 git 子模块,普通克隆后该目录为空,需初始化:

# 克隆时连同子模块一起拉取
git clone --recurse-submodules <repo-url>

# 或克隆后再初始化
git submodule update --init reference/FAST_LIO

# 拉取子模块上游更新
git submodule update --remote reference/FAST_LIO

三大方向

方向	内容	状态
perception 感知	视觉/激光 SLAM、特征提取、传感器模型	进行中(ch3)
fusion 融合	多传感器融合、卡尔曼/粒子滤波、外参标定	待开始
planning 规划	全局/局部路径规划、避障、运动控制	待开始

环境

• macOS (Apple Silicon) / Ubuntu 22.04
• C++17,Eigen3;Python 3.10+
• 构建:CMake;编辑器:VSCode + clangd

各子方向的构建方式见其各自的 README。

致谢

本仓库的学习与实践参考了以下教材与开源项目,版权归原作者所有,仅作个人学习用途:

• 《视觉SLAM十四讲》(高翔)—— 配套开源代码见 reference/slambook2/,原仓库 https://github.com/gaoxiang12/slambook2
• 《State Estimation for Robotics》(Timothy D. Barfoot)—— 机器人状态估计经典教材, 电子版见 reference/barfoot_state_estimation.pdf,由作者主页免费发布 http://asrl.utias.utoronto.ca/~tdb/
• FAST-LIO(HKU-MARS)—— 紧耦合激光-惯性里程计,见子模块 reference/FAST_LIO/,原仓库 https://github.com/hku-mars/FAST_LIO