ergevv的博客

本文介绍了考虑空气阻力的运动模型及卡尔曼滤波方法。运动模型中，空气阻力公式为 ( F = \frac{1}{2} \rho v^2 C_d A )，其中速度平方项对阻力影响显著。状态向量包含位置和速度分量，动力学方程描述了非线性运动过程，离散化后可用于数值计算。卡尔曼滤波部分包括线性卡尔曼滤波（KF）和扩展卡尔曼滤波（EKF），KF适用于线性高斯系统，而EKF通过局部线性化处理非线性问题。EKF的核心是利用雅可比矩阵对非线性函数进行近似，并沿用KF框架进行状态估计和协方差更新。文章详细推导了状态预测和协方差

本文通过高斯透镜公式解释了定焦镜头成像原理。公式1/f=1/u+1/v表明，通过调整像距v（镜头到感光元件的距离），可使不同物距u的物体清晰成像。推导过程基于相似三角形关系，揭示了物距、像距与焦距的数学关系。同时指出针孔相机模型中的"焦距"与高斯透镜中像距v的相似性，但强调二者理论基础不同：针孔模型简化成像过程，而高斯透镜公式精确描述含透镜的光学系统。当针孔模型"焦距"增大时，其效果类似于增加高斯公式中的像距v。

本文研究了从坐标系A到B的旋转矩阵求解问题，其中坐标系变换由两次旋转（x轴旋转α，y轴旋转β）组成。给定坐标系A中的向量a和其在B中的对应向量b，通过解析推导得到了旋转矩阵R=Ry(β)Rx(α)的求解方法。关键步骤包括：1）利用a_y=b_ycosα-b_zsinα解出α；2）将α代入其他方程解出β；3）构建完整旋转矩阵。文中给出了详细推导过程、注意事项以及适用于IMU姿态估计的C++实现代码，特别处理了重力方向等特殊情况。该方法在b_y²+b_z²≠0时有效，当a_y≠0时需改用最小二乘等更通用的

摘要：Kalibr中的IMU噪声模型包含加性白噪声和零偏随机游走两部分。加性白噪声n(t)建模为高斯过程，其强度由噪声密度σ_g决定（单位：rad/s/√Hz或m/s²/√Hz）。零偏b(t)通过随机游走过程建模，变化率由随机游走系数σ_b决定。离散化时，白噪声方差与采样间隔Δt成反比（σ_gd=σ_g/√Δt），而零偏步长方差与Δt成正比（σ_bgd=σ_b√Δt）。Kalibr为每个IMU轴独立配置这些参数，正确设置对标定精度至关重要：低估σ_b会导致发散，高估会降低精度。

双目相机标定流程与验证 本文详细介绍了双目相机的标定流程，主要包括四个关键步骤：图像采集、单目内参标定、双目外参标定和结果验证。标定过程中强调图像多样性（多角度、多距离）对精度的影响，建议采用"三个距离+三个角度+两个高度"的拍摄原则。标定完成后需通过重投影误差（应<1像素）、基线长度一致性和极线对齐等多维度验证标定质量。实验表明，MATLAB在特征点匹配精度上优于OpenCV，而圆形和棋盘格标定板各有优劣。文中还提供了MATLAB实现的圆形标定代码，包括单目标和双目标定模块

本文探讨了坐标系绕多个坐标轴转动的两类旋转方式：绕动坐标系的内在旋转和绕定坐标系的外在旋转。在内在旋转中，旋转矩阵右乘，相乘顺序与坐标系转动次序相同（P_A = R_AB R_BC P_C）。在外在旋转中，旋转矩阵左乘，相乘顺序与转动次序相反（P_A = R2 R1 P_C）。通过推导建立了同一旋转在不同坐标系下的转换关系（R^A = R_AB R^B R_AB^⊤），揭示了两种旋转方式的数学本质区别。

本文探讨了平面方程在不同坐标系下的变换方法以及沿法向量移动的规律。主要内容包括： 坐标系变换： 世界坐标系平面方程通过旋转矩阵R和平移向量t转换到相机坐标系 新法向量n' = Rᵀn，常数项D' = nᵀt + D 提供了具体计算示例和验证方法 平面移动： 推导了点P0到平面Ax+By+Cz+D=0的距离公式 给出平面沿法向量移动距离d的公式：D' = D ± d·√(A²+B²+C²) 符号取决于移动方向（沿法向量方向或相反方向）

探讨双目视觉系统中影响深度计算精度的关键因素，主要包括基线长度、相机焦距（像素单位）、视差匹配精度和物体距离。

3DGS-slam:splatam公式

从信息熵上看图像

VINS-mono的代码运行逻辑笔记

基于相机内参推导透视投影矩阵、splatam非标准投影矩阵

VINS-mono里面的边缘化原理，与代码是一致的

图优化里的残差求取、ceres如何添加信息矩阵

VINS-mono零偏更新对应的推导

VINS-mono预积分对应的推导

VINS-mono预积分对应的推导、最详细使用李群推导的文章

SVD求解超定方程，Ax=b，Ax=0

SVD求解Ax=0

lio_sam、代码笔记

旋转量、转换公式、四元数、欧拉角、旋转矩阵、旋转向量