#slam Dépôts
Découvrez 146 dépôts GitHub open source actifs associés à #slam, cumulant 310,418 étoiles au total (soit une moyenne de 2,126 étoiles par projet). Le projet en tête de ce thème est AtsushiSakai/PythonRobotics, avec 30,953 étoiles.
146 dépôts au total
Une liste organisée d'incroyables ressources en vision par ordinateur
SLAM en Temps Réel pour Caméras Monoculaires, Stéréo et RGB-D, avec Capacités de Détection de Boucles et de Relocalisation
Guide d'Entretien en Apprentissage Profond (Comprend Mathématiques, Apprentissage Automatique, Apprentissage Profond, Vision par Ordinateur, Traitement du Langage Naturel et SLAM, etc.)
Vision robotique Robot mobile VS-SLAM ORB-SLAM2 Détection d'objets d'apprentissage profond yolov3 Détection de comportement opencv PCL Apprentissage automatique Conduite autonome
Cartographer est un système qui fournit une localisation et une cartographie simultanées en temps réel (SLAM) en 2D et 3D sur plusieurs plateformes et configurations de capteurs.
Guide de recherche d'emploi pour postes d'algorithmes IA (couvre les stratégies de préparation, guide de pratique de questions, recommandations internes et listes d'entreprises IA, etc.)
LIO-SAM : Odométrie Lidar-Inertielle étroitement couplée par lissage et cartographie
Publication du dépôt pour notre manuel SLAM
Ressources pour la Vision Basée sur les Événements. Effort communautaire pour collecter des connaissances sur la technologie de vision basée sur les événements (articles, ateliers, ensembles de données, code, vidéos, etc.)
pySLAM est un pipeline SLAM Visuel hybride Python/C++ prenant en charge les caméras monoculaires, stéréoscopiques et RGB-D. Il offre un large éventail d'extracteurs de caractéristiques locales et globales modernes, de multiples stratégies de fermeture de boucle, un module de reconstruction volumétrique, des modèles intégrés de prédiction de profondeur et des capacités de segmentation sémantique pour une meilleure compréhension de la scène.
[CVPR 2025] MASt3R-SLAM : SLAM dense en temps réel avec des priors de reconstruction 3D
:sunglasses: Une liste organisée de bibliothèques et de logiciels de robotique
Slam Toolbox pour la cartographie et la localisation à vie dans des cartes potentiellement massives avec ROS
Apprenez les bases de la robotique grâce à une expérience pratique en utilisant ROS 2 et la simulation Gazebo.
LeGO-LOAM : Odometrie et cartographie LiDAR légère et optimisée pour le sol sur des terrains variables
Code open source correspondant pour les techniques SLAM dans la conduite autonome
Un paquet robuste, en temps réel, couleur RVB, LiDAR-Inertiel-Visuel étroitement couplé pour l'estimation d'état et la cartographie
Une bibliothèque d'enregistrement de nuages de points rapide et robuste
Mes notes d'apprentissage sur les algorithmes de navigation, couvrant l'analyse du code source de programmes open source de localisation de navigation, la compilation de projets open source, les supports de cours, les traductions de blogs, les recommandations de tutoriels et de conférences ; tous les contenus peuvent être librement reproduits, les fichiers originaux sont tous ici, et chacun peut organiser ses propres documents à partir des miens. (Conseils : ① Principalement écrit pour les débutants, ceux qui ont déjà des bases devraient lire davantage d'articles et de code, vous n'apprendrez pas grand-chose de mes notes ; ② Le dépôt est continuellement mis à jour, il n'est pas recommandé de le forker)
Une liste complète de papiers sur les représentations implicites, NeRF et le splatting gaussien 3D relatifs au domaine SLAM/Robotique, y compris des articles, des vidéos, des codes et des sites Web connexes
SplaTAM : Splat, Track & Map des Gaussiennes 3D pour le SLAM RGB-D dense (CVPR 2024)
Apprenez la conduite autonome en la construisant : des simulations Python et un manuel libre dans lequel le système évolue étape par étape. Remplacez et comparez les algorithmes de localisation, de planification et de contrôle au sein d’un même système.
GLIM : framework polyvalent et extensible de localisation et de cartographie 3D basé sur des nuages de points
Odometrie Visuelle Inertielle avec capacités SLAM et génération de maillage 3D.
Une liste organisée de jeux de données radar, de détection, de suivi et de fusion
Calcul symbolique rapide, génération de code et optimisation non linéaire pour la robotique
Interface de manipulation universelle : enseignement de robot dans la nature sans robots dans la nature
Une odométrie LiDAR-Inertielle-Visuelle Sparse-Directe Rapide et Étroitement Couplée (LIVO).
Foire aux questions
Quel est le dépôt #slam le plus populaire sur GitHub ?
Le projet #slam open source le mieux classé sur GitHub est AtsushiSakai/PythonRobotics, avec 30,953 étoiles. Exemples de codes Python et manuel pour les algorithmes de robotique.
Quels langages de programmation sont les plus utilisés dans les dépôts #slam ?
Parmi les projets #slam les mieux classés sur GitHub, les langages de programmation les plus courants sont C++, Python, TeX, Astro.
Comment le classement des dépôts #slam est-il calculé ?
Nous suivons 146 dépôts open source actifs associés à #slam (500+ étoiles), totalisant 310,418 étoiles, avec une moyenne de 2,126 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.