Navigation & SLAM

Forschung

Visueller SLAM für Monokular-, Stereo- und RGB-D-Kameras.

Forschung

Python-Implementierungen zur Veranschaulichung von Robotik-Algorithmen und Planungsmethoden.

Forschung

Faktor-Graph-Optimierung für Mapping und Zustandsschätzung.

Forschung

Dichtes visuelles SLAM-System für groß angelegte Kartierung.

Forschung

Erweiterte Implementierung von LOAM

Forschung

Dichtes visuelles SLAM-System in Echtzeit.

Forschung

Ein vielseitiges und genaues monokulares SLAM

Forschung

Datensatz- und Recherchetools für die kooperative Vision- und Dialognavigation.

Forschung

Nicht gepflegtes ROS 2-Framework für die TurtleBot3-Navigation mit Deep Reinforcement Learning.

Forschung

Kartierungssoftware, die visuelle und Entfernungssensor-Arbeitsabläufe unterstützt.

Forschung

MASt3R-SLAM: Dichtes Echtzeit-SLAM mit 3D-Rekonstruktionsprioritäten

Forschung

Python-Bindung des SLAM-Graphoptimierungs-Frameworks g2o

Forschung

ROS 2-Framework für die autonome Roboternavigation.

Forschung

Echtzeit-SLAM-System mit umfassenden Funktionen

Forschung

Sicherheitskritische Steuerungen für die Navigation mit einem/mehreren Robotern: CBF-QP, MPC-CBF usw.

Forschung

Offizielles Repo von „BEVBert: Multimodal Map Pre-training for Language-guided Navigation“

Forschung

Gaußscher Splatting SLAM

Forschung

Visuelles SLAM-Framework, abgeleitet von OpenVSLAM.

Forschung

Deep Reinforcement Learning für die Navigation mobiler Roboter in der IR-SIM-Simulation. Mithilfe neuronaler DRL-Netzwerke (SAC, TD3, PPO, DDPG) lernt ein Roboter, in einem simulierten… zu einem zufälligen Zielpunkt zu navigieren.

Forschung

Robuster LiDAR SLAM mit vielseitigem Plug-and-Play-Loop-Closing und Pose-Graph-Optimierung.

Forschung

Forschungscode zur Zuordnung multimodaler Anweisungen zu Roboteraktionen.

Forschung

CubeSLAM: Monokulare 3D-Objekterkennung und SLAM

Forschung

Intensity Scan Kontextbasierte vollständige SLAM-Implementierung für autonomes Fahren. ICRA 2020

Forschung

Dichte visuelle Odometrie und SLAM