slam
文章平均质量分 84
Stu.xian
这个作者很懒,什么都没留下…
展开
-
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。原创 2023-07-29 15:43:42 · 4770 阅读 · 3 评论 -
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。原创 2022-12-17 17:18:46 · 562 阅读 · 0 评论 -
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。原创 2022-12-02 15:36:49 · 632 阅读 · 0 评论 -
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。原创 2022-12-02 09:21:57 · 176 阅读 · 0 评论 -
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。原创 2022-11-17 21:26:24 · 2066 阅读 · 0 评论 -
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。原创 2022-10-29 21:02:54 · 1532 阅读 · 0 评论 -
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。原创 2022-10-28 21:20:23 · 562 阅读 · 0 评论 -
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。原创 2022-10-21 21:08:15 · 1005 阅读 · 0 评论 -
视觉里程计-SLAM十四讲学习笔记
一个SLAM系统分为前端和后端,其中前端也称为视觉里程计。视觉里程计根据相邻图像的信息估计出粗略的相机运动,给后端提供较好的初始值。视觉里程计的算法主要分为两个大类:特征点法和直接法。经典SLAM模型中以相机位姿-路标来描述SLAM过程:—路标是三维空间中固定不变的点,可以在特定位姿下观测到—在视觉SLAM中,可利用图像特征点作为SLAM中的路标特征点是图像当中具有代表性的部分,如轮廓点,较暗区域中的亮点,较亮区域中的暗点等。原创 2022-10-19 15:30:09 · 609 阅读 · 0 评论 -
李群与李代数-slam14讲笔记
最近在学习slam14讲,出现李群和李代数内容,对于小白的我从来没有接触过。在前一文,讲述了旋转矩阵和变换矩阵,同时我们也提到了特殊正交群SO(3),和特殊欧氏群SE(3)。数学公式可以写成这样:但是有一个问题,这两个矩阵都不封闭,换句话说任意两个旋转矩阵,,群(Group)是一种集合加上一种运算的代数结构,以A表示集合,“·”表示运算,则群一般写作 G(A, ·)。现在估计也解释的很模糊,可以理解为就是一个矩阵的集合,为何有了矩阵还要弄个矩阵集合呢?原创 2022-10-07 22:38:43 · 236 阅读 · 1 评论 -
【旋转矩阵和旋转向量】
这是一个数学技巧,我们在一个三维向量的末尾添加1,变为思维向量,称为齐次坐标,对于这个四维向量我们可以把旋转和平移写在一个矩阵里,使得整个变为线性关系。向量:两点连起来,可以看成从某点指向另一点箭头, 误将坐标混淆,向量是空间一个东西,如a。关于这种变换矩阵T左上角为旋转矩阵,右侧为平移向量,左下角为0向量,右下角为1。坐标:只有当我们指定这个三维空间中的某个坐标系时,才可以谈论该向量在此坐标系下的坐标。这时我们加上平移,在世界坐标系的向量a,经过一次旋转(R)和一次平移(t)得到。原创 2022-10-06 21:24:33 · 931 阅读 · 2 评论