#slam Repositories
Entdecke 146 aktive Open-Source-GitHub-Repositories, die mit #slam getaggt sind und insgesamt 310,418 Sterne gesammelt haben (durchschnittlich 2,126 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist AtsushiSakai/PythonRobotics mit 30,953 Sternen.
Insgesamt 146 Repositories
Eine kuratierte Liste von großartigen Ressourcen für Computer Vision
Echtzeit-SLAM für Monokulare, Stereo- und RGB-D-Kameras mit Schleifenerkennung und Relokalisierungsfunktionen
Deep Learning Interview-Leitfaden (Enthält Mathematik, Machine Learning, Deep Learning, Computer Vision, Natural Language Processing und SLAM usw.)
Robotik Vision Mobile Roboter VS-SLAM ORB-SLAM2 Deep Learning Objekterkennung yolov3 Verhaltensdetektion opencv PCL Maschinelles Lernen Autonomes Fahren
Cartographer ist ein System, das Echtzeit-Simultaneous-Lokalisierung-und-Mapping (SLAM) in 2D und 3D über mehrere Plattformen und Sensorkonfigurationen bereitstellt.
Leitfaden für die Bewerbung auf AI-Algorithmus-Positionen (umfasst Vorbereitungsstrategien, Übungsleitfäden, interne Empfehlungen und Listen von AI-Unternehmen usw.)
LIO-SAM: Eng gekoppelte Lidar-Inertial-Odometrie durch Glättung und Kartierung
Repository für unser SLAM-Handbuch veröffentlichen
Event-based Vision Resources. Gemeinschaftliche Anstrengung, Wissen über Event-based Vision-Technologie zu sammeln (Papiere, Workshops, Datensätze, Code, Videos usw.)
pySLAM ist eine hybride Python/C++ Visual SLAM-Pipeline, die Monokular-, Stereo- und RGB-D-Kameras unterstützt. Es bietet eine breite Palette moderner lokaler und globaler Feature-Extraktoren, mehrere Loop-Closure-Strategien, ein volumetrisches Rekonstruktionsmodul, integrierte Tiefenvorhersagemodelle und semantische Segmentierungsfunktionen für ein verbessertes Szenenverständnis.
[CVPR 2025] MASt3R-SLAM: Echtzeit-SLAM mit voller Dichte und 3D-Rekonstruktions-Prioritäten
:sunglasses: Eine kuratierte Liste von Robotik-Bibliotheken und Software
Slam Toolbox für lebenslanges Mapping und Lokalisierung in potenziell riesigen Karten mit ROS
Erlernen Sie die Grundlagen der Robotik durch praktische Erfahrung mit ROS 2 und Gazebo-Simulation.
LeGO-LOAM: Leichtgewichtige und bodenoptimierte Lidar-Odometrie und Kartierung auf variablen Geländen
Entsprechender Open-Source-Code für SLAM-Techniken im autonomen Fahren
Ein robustes, Echtzeit-, RGB-farbiges, LiDAR-Inertial-Visuelles eng gekoppeltes Zustandschätzungs- und Paket-Mapping-Paket
Meine Lerntagebücher zum Navigationsalgorithmus, die Quellcodeanalysen von Open-Source-Navigationspositionierungsprogrammen, die Aufbereitung von Open-Source-Projekten, Buchvorlesungen, Blogübersetzungen und Empfehlungen für Tutorials und Vorträge umfassen; alle Inhalte können beliebig weiterverbreitet werden, die Originaldateien sind alle hier abgelegt, und jeder kann auf meiner Grundlage seine eigenen Dokumente zusammenstellen. (Tipps: ① Hauptsächlich für Anfänger geschrieben, Studenten mit Grundkenntnissen sollten mehr Paper und Code lesen, Sie lernen nicht viel aus meinen Notizen; ② Das Repository wird ständig aktualisiert, es wird nicht empfohlen, es zu forken)
Eine umfassende Liste von Implicit Representations, NeRF und 3D Gaussian Splatting-Arbeiten im Bereich SLAM/Robotik, einschließlich Arbeiten, Videos, Codes und verwandten Websites
Lerne autonomes Fahren, indem du es selbst entwickelst: mit Python-Simulationen und einem frei zugänglichen Lehrbuch, in dem das System Schritt für Schritt wächst. Tausche Lokalisierungs-, Planungs- und Steuerungsalgorithmen im selben System aus und vergleiche sie.
GLIM: vielseitiges und erweiterbares framework für 3D-Lokalisierung und Kartierung auf Basis von Punktwolken
Eine kuratierte Liste von Radardatensätzen, Detektion, Verfolgung und Fusion
Schnelle symbolische Berechnungen, Codegenerierung und nichtlineare Optimierung für Robotik
Universelle Manipulationsschnittstelle: Robotertraining in freier Wildbahn ohne Roboter in freier Wildbahn
Ein schnelles und eng gekoppeltes spärlich-direktes LiDAR-Trägheits-visuelles Odometrie (LIVO).
Häufig gestellte Fragen
Welches ist das beliebteste #slam-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#slam-Projekt auf GitHub ist AtsushiSakai/PythonRobotics mit 30,953 Sternen. Python-Beispielcodes und Lehrbuch für Robotik-Algorithmen.
Welche Programmiersprachen werden in #slam-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #slam-Projekten auf GitHub sind C++, Python, TeX, Astro die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #slam-Repositories berechnet?
Wir verfolgen 146 aktive Open-Source-Repositories, die mit #slam getaggt sind (500+ Sterne), mit insgesamt 310,418 Sternen und durchschnittlich 2,126 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.