
Generals-Mac-iOS-iPad
This repository ports Command & Conquer Generals: Zero Hour to run natively on Apple Silicon Macs, iPhones, and iPads without emulation, adding touch controls and modern rendering.
Directly addresses the challenge of LiDAR-inertial odometry inside moving elevators, where traditional LIO fails, and provides a complete open-source solution with dataset and detailed documentation.
作者:Yifan Zhang, Yudong Huang, Yuchong Zhang, Changze Li, Haoran Liu, Ming Yang, Tong Qin*
Elevator-LIO 是面向电梯非惯性运动和跨楼层定位的 LiDAR-惯性里程计。主要测试平台为 Livox MID-360,同时支持其他雷达如 Ouster、Velodyne、XT32 等,但除MID360外尚未经过大规模测试。
数据集下载与使用说明见 DATASET.md。
关闭 YAML 中的电梯模式后,Elevator-LIO 可作为普通 LIO 使用,并保留触发式更新和自适应降采样等功能。
[!WARNING] Elevator-LIO 允许机器人在电梯内自由移动,但建议使用 Livox MID-360 这类视场较大的 LiDAR,并采用倾斜安装,以获得尽可能多方向上的几何约束。如果您的 LiDAR 水平安装,且机器人在电梯内基本不会产生上下运动,请将
yaml/runtime中的elevator.strong_prior_enable设置为true。该选项会将 IMU 垂直方向加速度强约束解释为电梯加速度,使系统在此类安装条件下也能正常工作。
欢迎参观课题组其他工作,Elevator-LIO 为以下工作提供了定位支持:
传统 LIO 假设导航坐标系为惯性系,但在运动的电梯轿厢内,IMU 会感受到电梯运动,而 LiDAR 主要观测轿厢内的相对几何,现有 LIO 方法几乎全部失效。Elevator-LIO 将机器人相对电梯的运动与电梯自身运动解耦,并通过模式相关的迭代误差状态卡尔曼滤波实现连续跨楼层定位:普通室内环境使用标准 LIO 传播,进入电梯后启用非惯性状态传播和约束更新。
系统按照时间顺序处理 IMU 和 LiDAR 数据,依次完成静态 IMU 初始化、自适应降采样、模式相关传播、IESKF LiDAR 更新、可能的退出电梯更新和增量 ikd-Tree 建图。
进入检测使用 LiDAR 距离统计量判断机器人是否由开放区域进入封闭轿厢;退出检测根据估计的电梯竖直运动状态及其方差判断电梯是否停稳。两种事件也可以通过 ROS 话题手动触发。
电梯停稳后,系统施加零速度和零加速度约束,将估计的电梯竖直位移重新锚定到机器人状态,并重置电梯相关状态,从而抑制电梯运行期间累积的高度漂移。
系统在线调整体素大小,使降采样后的有效点数保持在目标值附近,在电梯轿厢内保留足够的几何信息,同时控制开放场景中的计算量。
数据使用集成 Livox MID-360、工业相机和 Jetson Orin Nano 的便携式手持设备采集。
[!NOTE]
- 后续将开源手持设备的软硬件设计与相关文档。
Elevator-LIO Official implementation
Similar projects matched by category, topics, and programming language.

This repository ports Command & Conquer Generals: Zero Hour to run natively on Apple Silicon Macs, iPhones, and iPads without emulation, adding touch controls and modern rendering.
This repository contains a proof-of-concept for a Windows User Profile Service elevation-of-privilege vulnerability that loads an arbitrary hive into the current user's classes root.
audio.cpp is a high-performance C++ audio inference framework built on ggml that provides a unified local runtime for TTS, ASR, voice cloning, and other audio tasks, with a WebUI, CLI, server, and performance optimizations for CUDA.