SLAM第一讲笔记

最新推荐文章于 2024-09-02 13:43:52 发布
最新推荐文章于 2024-09-02 13:43:52 发布
阅读量299 收藏
点赞数
分类专栏： 视觉SLAM 文章标签： 计算机视觉 slam cv
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Ai_Sj/article/details/118892359
版权

文章目录

一、SLAM是什么？

英文：Simultaneous Localization and Mapping
中文：同时定位与地图构建
解释：搭载特定的传感器（相机、激光等）的主体，在没有环境先验的信息的情况下，在运动过程中建立环境的模型，同时估计自己的运动。

二、知识储备

1.高等数学、线性代数、概率论

射影几何、计算机视觉、状态估计理论、李群与代数等

2.c++语言基础

c++标准库、模板类的使用。

3.Linux基础

基本知识

三、SLAM系统模块

1.视觉里程

2.后端优化

3.建图

4.回环检测

四、调用库

Eigen OpenCV  PCL g2o Ceres等库
Ai_Sj
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
【slam】视觉slam十四讲笔记
Sixyeah的博客
07-26 135
学习slam必备知识及软件。
《视觉SLAM十四讲》笔记摘抄
热门推荐
ncepu_Chen的博客
04-05 5万+
ch02 初识SLAM 经典视觉SLAM框架 视觉SLAM流程包括以下步骤: 传感器信息读取: 在视觉SLAM中主要为相机图像信息的读取和预处理.如果是在机器人中,还可能有码盘、惯性传感器等信息的读取和同步. 视觉里程计(Visual Odometry,VO): 视觉里程计的任务是估算相邻图像间相机的运动,以及局部地图的样子.VO又称为前端(Front End). 视觉里程计不可避免地会...
SLAM第二讲笔记
Ai_Sj的博客
07-21 555
文章目录一、名词解释二、定位与建图2.读入数据总结 一、名词解释 IMU(Inertial Measurement Unit)：惯性测量单元，测量运动的角速度和加速度 Scale：尺度，物体的远近只是个相对值，无法确定真实尺度；单目SLAM估计的轨迹和地图与真实的轨迹与地图相差一个因子（场景的维度，也就是深度（或距离）），也就是所谓的尺度 二、定位与建图 安装相机的主要动机，是考虑设备（机器）具备和人类一样，能够在任何环境下智能行驶。所以至少要明白自身的状态（即位置）和外在的环境（即地图）。 2.读
视觉SLAM十四讲笔记
dada19980122的博客
12-20 3444
第二讲 初识SLAM 相机： 以二维投影形式记录三维世界的信息 丢掉了一个维度——距离 三种视觉SLAM中主要的相机： 单目相机：没有深度，必须通过移动相机产生深度（近处物体的像运动快，远处物体的像运动慢） 双目相机：通过两个眼睛的视差计算深度（近处物体差别大，远处物体差别小），计算量很大 RGBD相机：通过物理方法测量深度，知道每个点的深度 主动测量，功耗很大 结构光TOF 深度值比较准确 量程小，易受干扰（很多RGBD用的是红外光，会受太阳光干扰，因此室外还是要用单目和双目，RGBD不太行） 视
SlAM 14讲笔记
qq_38757779的博客
01-19 638
SLAM学习笔记
【视觉SLAM十四讲学习笔记】第三讲——四元数
PuddleRubbish的博客
11-28 367
旋转矩阵用9个量描述3自由度的旋转，具有冗余性；欧拉角和旋转向量是紧凑的，但具有奇异性。事实上，我们找不到不带奇异性的三维向量描述方式。类似于用两个坐标表示地球表面（如经度和纬度），必定存在奇异性（纬度为 ±90° 时经度无意义）。回忆以前学习过的复数。我们用复数集C表示复平面上的向量，而复数的乘法则表示复平面上的旋转：乘上复数i相当于逆时针把一个复向量旋转 90°。四元数四元数是Hamilton找到的一种扩展的复数。它既是紧凑的，也没有奇异性。缺点是四元数不够直观，其运算稍复杂些。
视觉SLAM十四讲学习笔记
weixin_42751489的博客
12-21 1744
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言第一讲 预备知识1.1 本书讲什么SLAM特点目的相关书籍第二讲 初识SLAM2.1自主运动能力传感器摄像头2.2流程视觉里程计后端优化回环检测建图度量地图拓扑地图2.3 数学表述运动过程的数学表述基本定义运动观测 前言 c 第一讲 预备知识 1.1 本书讲什么 SLAM Simultaneous Localization and Mapping，中文译作“同时定位与地图构建”。 特点 搭载特定传感器的主体; 没有环境先验信
《视觉SLAM十四讲》详细笔记
10-10 1853
《视觉SLAM十四讲》笔记摘抄 ch02 初识SLAM 经典视觉SLAM框架 SLAM问题的数学表述 ch03 三维空间刚体运动 旋转矩阵 点和向量,坐标系 坐标系间的欧氏变换 变换矩阵与齐次坐标 齐次坐标(Homogeneous Coordinate)的优势 优势1:方便判断是否在直线或平面上 优势2:方便表示线线交点和点点共线 优势3:能够区分向量和点 优势4:能够表达无穷远点 优势5:能够简洁的表
视觉SLAM十四讲笔记-10-1
qq_35588369的博客
06-05 544
视觉SLAM十四讲笔记-10-1 文章目录视觉SLAM十四讲笔记-10-110 后端10.1 滑动窗口滤波和优化10.1.1 实际环境下的 BA 结构 10 后端 10.1 滑动窗口滤波和优化 10.1.1 实际环境下的 BA 结构 带有相机位姿和空间点的图优化称为 BA，它能够有效地求解大规模的定位和建图问题。这在 SfM 问题中十分有用。但是在 SLAM 过程中，往往需要控制 BA 的规模，保持计算的实时性。 ......
视觉SLAM十四讲学习笔记——第九讲 后端优化（1）
weixin_61294345的博客
11-25 2694
经过前端（视觉里程计）估计得到的轨迹和地图由于存在累计误差，在长时间内是不准确的。因此希望构建一个针对全局的更大规模的优化问题，得到最优的轨迹和地图，这里主要有两种解决思路： （1）基于马尔可夫性假设的卡尔曼滤波器：马氏性假设可以简单地理解为“当前时刻状态只与上一时刻有关”。针对SLAM问题（非线性）的卡尔曼滤波器给出了单次线性近似下的最大后验估计，或者说是优化过程中一次迭代的结果。 （2）非线性优化：非线性优化考虑了当前及之前所有时刻的状态，同时优化所有时刻的相机位姿以及各个特征点的空...
视觉SLAM十四讲 读书 笔记
Steven的博客
05-20 663
此为视觉SLAM十四讲第二章的读书笔记 1、P24 第二章对于SLAM问题的由来以及建模的发展演化过程有一个比较清晰的介绍（想吐槽一下的就是：在一个研究领域刚兴起的时候，真的就是百花齐放啊，行业内对于同一个东西会有各种各样的描述，虽然每个作者的描述都没有错，但是对于初学者而言，今天在文章中看到一个“状态估计的不确定性研究”，明天看到一个“CML”或者“SLAM”，但是其实描述的是同一个东西，徒增了一些困惑），特别是对于初学者，对于SLAM问题到底是个啥？描述的很通俗易懂。 2、Ubuntu的安装 为了减少不
视觉SLAM十四讲学习笔记——第六讲 非线性优化（1）
weixin_61294345的博客
10-22 1116
非线性优化算法在SLAM中主要解决的问题：如何在有噪声的数据中进行准确的状态估计。 1.最小二乘问题引出 首先，将SLAM中的状态估计问题，从概率学的角度分析：已知输入数据u和观测数据z的条件下，求状态x,y的条件概率分布，由贝叶斯法则将条件概率分布表示为“后验概率=似然 * 先验概率”的形式： 此时状态最优估计问题转化为了一个该状态下后验概率最大化（最大后验分布）问题： 要最大化后验概率，也就是要最大化似然和先验概率的乘积，先验概率多数情况...
视觉SLAM十四讲-第八讲笔记
pikachu_777的专栏
11-03 959
一、主要内容 SLAM中的视觉里程计分为两部分，一是特征点法，先提取特征点，把特征点看做三维空间中的不动点，根据特征点匹配关系进行位姿和深度估计，通过最小化重投影误差优化相机运动；二是不使用特征点，根据图像灰度直接估计的直接法。第七讲中讲了特征点法，本讲将介绍直接法。 直接法的问题 关键点的提取和描述子的构造很耗时。 忽略了特征点以外的信息。 在没有纹理或者纹理重复的地方，难以准确匹配。 解决...
《视觉SLAM十四讲》学习笔记一
weixin_42694430的博客
01-09 1926
此系列学习笔记是针对《视觉SLAM十四讲》的内容进行个人理解性记录，书本地址与书本代码如下：  书本地址：http://www.broadview.com.cn/book/4938   书本代码：https://github.com/gaoxiang12/slambook 第一讲：预备知识  SLAM：（Simultaneous Localization and Mapping ）同时定位...
计算机视觉之 GSoP 注意力模块
最新发布
qq_46396470的博客
09-02 193
GSopBlock是一个自定义的神经网络模块，主要用于实现 GSoP（Global Second-order Pooling）注意力机制。GSoP 注意力机制通过计算输入特征的协方差矩阵，捕捉全局二阶统计信息，从而增强模型的表达能力。
＜数据集＞安全背心识别数据集＜目标检测＞
qq_53332949的博客
08-29 244
YOLO与VOC格式的安全背心识别数据集，适用于YOLO系列、Faster Rcnn、SSD等模型训练，共2个类别：vest、no-vest，4185张图片
yolov8目标检测pyside6可视化图形界面+检测源码ui文件——用于计数统计
2301_78240361的博客
09-02 506
yolov8目标检测pyside6可视化图形界面+检测源码ui文件——用于计数统计
yolov9目标检测pyside6可视化检测界面python源码-用于计数统计-摄像头可用
2301_78240361的博客
09-02 678
yolov9目标检测pyside6可视化检测界面python源码-用于计数统计-摄像头可用
高翔视觉slam十四讲 笔记
08-25
高翔视觉SLAM十四讲的笔记主要包括前五章的总结、李群与李代数的笔记、第十三讲的工程实践，搭建双目视觉里程计框架并利用Kitti数据集测试性能的内容，以及第十四讲介绍当前开源SLAM方案以及未来发展方向的总结。此外，还包括第十一讲的回环检测，介绍以词袋模型为主的回环检测和使用DBoW3书写字典训练程序和回环检测程序的内容，以及第十二讲的地图构建，使用单目进行稠密深度图的估计和RGB-D的稠密地图构建过程，这种稠密地图可以用于避障。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [《视觉SLAM十四讲》学习笔记](https://blog.csdn.net/qq_29128985/article/details/121189197)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Ai_Sj

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值