Stu.xian-CSDN博客

原创 SLAM领域优秀实验室

空中机器人在复杂环境下的自主运行，包括状态估计、建图、运动规划、多机器人协同以及低成本传感器和计算组件的实验平台开发。：视觉 SLAM、物体 SLAM、非刚性 SLAM、机器人、增强现实。：视觉、激光、惯性导航系统，移动设备大规模三维建模与定位。：机器人感知、结构，服务型、运输、制造业、现场机器。：定位、三维重建、语义分割、机器人视觉。：SLAM、VINS、语义定位与建图等。SFM/SLAM，三维重建，增强现实。：三维重建、机器人视觉、深度学习、

2024-01-13 10:22:02 1034

原创物体级语义视觉SLAM研究综述

1.物体级语义VSLAM系统架构2.物体级语义VSLAM优势和应用2.1利用物体信息提升定位精度2.2利用物体信息提升定位鲁棒性2.3利用物体信息提升系统环境感知能力3.物体语义的表达形式和初始化方法先验模型表达几何模型表达深度学习表征4.物体级语义信息的数据关联方法基于概率关联方法基于分配算法的关联方法5.融合物体级语义信息的后端优化方法独立优化策略联合优化策略。

2023-12-17 11:20:46 352 1

原创 orbslam-BoW

使用FeatureVector 避免了所有特征点的两两匹配，只比较同一个节点下的特征点，极大加速了匹配效率，至于匹配精度，论文《Bags of。2、对于每个特征点的描述子，从离线创建好的vocabulary tree中开始找自己的位置，从根节点开始，用该描述子和每个节点的描述子计算。首先图像提取ORB 特征点，将描述子通过 k-means 进行聚类，根据设定的树的分支数和深度，从叶子节点开始聚类一直到根节点，最后得。汉明距离，选择汉明距离最小的作为自己所在的节点，一直遍历到叶子节点。

2023-10-16 19:15:13 113 1

原创 NVIDIA驱动安装+nvidia-smi各种报错+ubuntu黑屏+问(NVIDIA-SMI has failed because it couldn‘t communicate .... )

普通的NVIDIA驱动安装按理说比较简单，但偶尔会遇到各种奇怪的错误，之前安装时也黑屏过，最后也补救回来，这次狠下心来，把全部遇到的问题阅读的经验贴记录一下。

2023-07-29 15:43:42 4628 3

原创深度学习笔记（1）：基础网络结构&卷积神经网络（CNN）

CNN（Convolutional Neural Networks, ConvNets, 卷积神经网络）是神经网络的一种，是理解图像内容的最佳学习算法之一，并且在图像分割、分类、检测和检索相关任务中表现出色。

2023-04-10 15:57:12 669

原创 ORB-SLAM2源码阅读（四）—LoopClosing线程&SIM3变换

看了这么多的代码注释感觉头都晕了，抽空捋一下这个线程的大纲，帮助理解一下。LoopClosing线程的主要工作内容可以分为两步：第一步就是对当前新到来的关键帧进行闭环检测（Loop Detection），不断地在关键帧数据库中查找是否有相似的与当前关键帧形成闭环；另一个是纠正闭环（Loop Correction），就是若存在回环进行位姿矫正。

2022-12-17 17:18:46 548

原创 ORB-SLAM2源码阅读（三）——跟踪线程

ORB-SLAM2跟踪部分主要包括两个阶段，第一个阶段包括三种跟踪方法：用参考关键帧来跟踪、恒速模型跟踪、重定位跟踪，它们的目的是保证能够“跟的上”，但估计出来的位姿可能没那么准确。第二个阶段是局部地图跟踪，将当前帧的局部关键帧对应的局部地图点投影到该帧，得到更多的特征点匹配关系，对第一阶段的位姿再次优化得到相对准确的位姿。跟踪线程流程图Track线程的主要在track中主要实现的。主要的实现步骤看流程图即可理解。

2022-12-02 15:36:49 619

原创地图点、关键帧、图结构

特征点是二维点，是特征提取得到的图像上的像素点，特征点通过三角化可以变成三维空间的地图点。，不同帧里的特征点可能对应三维空间中同一个三维点。地图点是三维点，来自真实世界的三维物体，有唯一的。

2022-12-02 09:21:57 174

原创 ORB-SLAM2源码阅读（一）-----ORB特征提取

1.ORB-SLAM的一大创新点在于系统的所有模块都使用了同一种特征：ORB，这样构造的系统更加简单、稳健。2.本文首先介绍了原版的ORB特征，之后又介绍了ORB-SLAM对ORB特征的改进。3.相较与SIFT、SURF，ORB在CPU下就可以获得实时性能，并且具有尺度（一定的）、旋转不变性，而且提高了BRIEF描述子的抗噪能力。4.ORB的速度是SIFT的100倍，SURF的10倍。一定的尺度不变性：利用图像金子塔实现，由于金字塔层数有限，因此只能在一定范围保证尺度的不变性。

2022-11-17 21:26:24 2049

原创 BA与图优化-SLAM十四讲学习笔记

因此可以求误差函数关于二者的偏导数，也就是之前所述的两个偏导数，2*6的那个雅克比矩阵是误差对于扰动的小量位姿的偏导数；2*3的那个雅克比矩阵是误差对于特征点相机坐标系下坐标的偏导数，它再乘以一个3*3的R得到一个2*3的雅克比矩阵就是误差关于特征点世界坐标系下坐标的偏导数。到目前为止，还没有利用它的稀疏特性。由于我们把变量归类成了位姿和空间点两种，（注意E和F必须是整体目标函数对整体变量的导数，它是一个很大的矩阵，里面都是有每个误差项的导数。个路标点的误差，前面的是对于位姿的，后面的是对于路标点的。

2022-10-29 21:02:54 1527

原创非线性优化-SLAM十四讲笔记

我们首先考虑最简单的误差函数例子，使下式子得到最小值，我们可以求目标函数导数为0的x值。但是如果这个函数比较复杂不容易求导，则我们就可以使用迭代法，从一个初始值出发，不断地更新当前的优化变量，使目标函数值下降。让求解导数为零的问题变成一个不断寻找下降增量的问题。

2022-10-28 21:20:23 556

原创后端状态估计-卡尔曼滤波器理解+扩展-SLAM14讲笔记(六)

是根据0~k-1时刻的观测数据，推测得知k时刻的先验状态（对于这个，里面的u作为一个传感器数据，其实可以忽略掉它，因为0~k-1时刻的数据不应该包含uk，但是本书里面着重要讲的是视觉SLAM，u应该指的是惯性逻辑单元IMU之类的数据，如果只依靠观测的图像来判断状态的话，忽略掉u就行了）现在，利用马尔可夫性，假设我们知道了k -1时刻的后验(在k-1时刻看来）状态估计ag-1及其协方差P-1，现在要根据k时刻的输入和观测数据，确定x的后验分布。为区分推导中的先验和后验，此时我们就得到了后验均值的表达。

2022-10-21 21:08:15 1003

chuangkeiss的博客