PromiseChen0的博客

前言在之前的文章中，我们基于模版匹配的方法估计了单个目标的位姿，但是这种方法只适用于场景中只有一个目标，一旦场景中有多个目标，算法很容易失效。一方面，一个完整的抓取场景往往范围比较大（相对于单个零件而言），采集到的常见点云数量会很多，尤其如果使用的一些高精度的工业级点云传感器，可以生成数百万的点。如果是只选取这大量点中的少量的关键点计算特征向量，可能会导致无法匹配，选的太多速度又太慢。另一方面，采集整个场景肯定会采集到背景，对背景进行点云特征向量计算也会对算力的浪费。针对上述的问题，采用两阶段的算法往往

前言这篇文章的方法是利用传统的frame对图像做初始化，然后在event上面进行跟踪。论文地址：Asynchronous, Photometric Feature Tracking using Events and Frames发现还有人把作者附的视频上传到了B站论文video背景事件相机不输出绝对强度图像，而是输出异步事件流，优点是延迟非常低（1微秒）传统相机提供像素直接测量，但延迟较高（10-20毫秒）主要贡献第一个将frame和event结合的特征跟踪器实现了SOTA做了在

前言这篇文章很有意思，利用事件相机来观星论文地址：Star Tracking using an Event Camera背景利用事件相机来跟踪恒星，功耗更低速度更快主要贡献一个从事件相机数据中进行恒星跟踪的pipeline一个恒星跟踪数据集...

前言这是一章预告。上一章在进行点云位姿估计时，我们利用PCL库对原始点云进行了一个人工设定的变换矩阵，这个变换矩阵可以作为位姿估计的真值。但是这种方式只能很简单地将某个原始点云整体进行变换。也就是只能生成下图这种变化。但是我们的实际的位姿估计算法不可能只在这种简单的场景下应用。一般来说，具体的抓取场景应该是有多个目标相互堆叠存在于场景中的。类似这样。现实中我们可以利用点云相机采集这个场景的点云，然后估计目标的位姿，但是我们难以通过测量的方式得到每个零件的6DoF位姿，也就是说我们很难得到场景中目

前言3D点云的姿态估计有时可以看作是点云配准的过程，其实就是计算场景点云Ps和模版点云Pm之间的位姿变换关系。这种变换一般都是刚性变换，包含平移和旋转。目前最常用的是采用两阶段的算法来进行位姿的精确估计。第一阶段，采用SAI-IA算法进行位姿粗估计，第二阶段，采用ICP迭代优化位姿，进行精确的位姿估计。一、点云特征描述子常见的特征描述子：FPFH,SHOT,3DSC具体实现就不写了，后期有时间的话慢慢补上。这里详细讲一下特征描述子的作用。首先举个例子，现在你家里人叫你去相亲，但是他们没有女方A的照

前言进来写毕业论文，想根据自己的要求生成一些点云数据，发现PCL库可以根据obj格式的文件生成点云，而且点云的数量可控。一、 绘制.obj格式的三维图画obj格式的图像很多三维软件都可以实现，我这里是用soliworks中的scan to 3d插件实现的。提前准备好scan to 3d插件，在工具->插件->ScanTo3D中打钩。1.1 绘制零件图首先，画一个三维零件图，不会的先去学solidworks。1.2 另存为stl点击另存为.stl格式这个格式的文件，Windo

一、点云加载常见的点云文件有两种格式： PCD和PLY，PCL很好的支持了加载这两种格式。PCD加载#include<iostream>#include<pcl/io/pcd_io.h>#include<pcl/io/ply_io.h>#include<pcl/point_types.h>int main(int argc, char** argv){ pcl::PointCloud<pcl::PointXYZRGB>::