努力努力努力_贵在坚持，不忘初心_CSDN博客-视觉SLAM基础理论,激光SLAM,VINS-Mono and Fusion 程序解读领域博主

贵在坚持，不忘初心

码龄5年

别低头，王冠会掉；别流泪，坏人会笑

于 2016-07-04 加入CSDN

获得成就

获得50次点赞
内容获得69次评论
获得378次收藏

荣誉勋章

兴趣领域

#算法

TA的专栏

ORB-SLAM 解读文档111.pdf

代码解读，泡泡出版

发布资源于昨天

均值、方差、标准差及协方差、协方差矩阵详解

一、均值均值是表示一组数据集中趋势的量数，是指在一组数据中所有数据之和再除以这组数据的个数。它是映数据集中趋势的一项指标。均值和标准差是描述数据集中趋势和离散程度的两个最重要的测度值。二、方差，标准差方差（variance)是衡量随机变量或一组数据时离散程度的度量。概率论中方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。统计中的方差（样本方差）是各个数据分别与其平均数之差的平方的和的平均数。在许多实际问题中，研究方差即偏离程度有着重要意义。方差是衡量源数据和期望值相差的度量值

发布博客于 2 天前

笔记本电脑扩展屏（window10）

一、首先将投影仪的vga线插入电脑的vga接口中，然后点桌面左下角的开始菜单打开设置二、再点击打开系统三、在系统设置的显示选项卡中，找到高级显示设置并打开点击 “标识”，便可以知道哪个显示屏是 1 和 2；我的电脑2是扩展屏，1是笔记本显示屏，然后把2拖到1的左边（我的扩展屏是放在左边的，你也可以放在右边，步骤相反），推出即可...

发布博客于 2 天前

ORB-SLAM2 详细安装教程

参考：https://blog.csdn.net/weixin_44436677/article/details/105587986https://blog.csdn.net/XindaBlack/article/details/102499364/目录安装前的准备：安装 vim 、 cmake 、 git 、 gcc 、 g++安装Pangolin (建议源码安装)1) 安装依赖项2) 安装 Pangolin安装OpenCV3.4 (建议源码安装安装时间较长耐...

发布博客于 10 天前

第7周课件-全网最详细的ORB-SLAM2精讲

本课件是公众号计算机视觉life旗下课程《全网最详细的ORB-SLAM2精讲：原理推导+逐行代码分析》（点击可跳转课程详情）的课程课件。谢谢各位学员的支持！本课程对应的注释代码：https://github.com/electech6/ORBSLAM2_detailed_comments由于源码注释和课件在持续更新，所以：如视频课程中注释与上述GitHub中有不同，以GitHub上最新源码为准。如视频课程中课件与本课件不同，以本课件为准。目录1 理解共视...

发布博客于 12 天前

第6周课件-全网最详细的ORB-SLAM2精讲

本课件是公众号计算机视觉life旗下课程《全网最详细的ORB-SLAM2精讲：原理推导+逐行代码分析》（点击可跳转课程详情）的课程课件。谢谢各位学员的支持！本课程对应的注释代码：https://github.com/electech6/ORBSLAM2_detailed_comments由于源码注释和课件在持续更新，所以：如视频课程中注释与上述GitHub中有不同，以GitHub上最新源码为准。如视频课程中课件与本课件不同，以本课件为准。本周课程重点：...

发布博客于 14 天前

Window 电脑C盘清理

一、win + R, 出现如下界面并输入：%temp%二、点击确定出现文件夹，里面的文件全选，删除即可

发布博客于 15 天前

第5周课件-全网最详细的ORB-SLAM2精讲

本课件是公众号计算机视觉life旗下课程《全网最详细的ORB-SLAM2精讲：原理推导+逐行代码分析》（点击可跳转课程详情）的课程课件。谢谢各位学员的支持！本课程对应的注释代码：https://github.com/electech6/ORBSLAM2_detailed_comments由于源码注释和课件在持续更新，所以：如视频课程中注释与上述GitHub中有不同，以GitHub上最新源码为准。如视频课程中课件与本课件不同，以本课件为准。本周课程重点：...

发布博客于 15 天前

第4周课件-全网最详细的ORB-SLAM2精讲

本课件是公众号计算机视觉life 旗下课程《全网最详细的ORB-SLAM2精讲：原理推导+逐行代码分析》（点击可跳转课程详情）的课程课件。谢谢各位学员的支持！本课程对应的注释代码：https://github.com/electech6/ORBSLAM2_detailed_comments 由于源码注释和课件在持续更新，所以：如视频课程中注释与上述GitHub中有不同，以GitHub上最新源码为准。如视频课程中课件与本课件不同，以本课件为准。本周课程重点： 1. 理解..

发布博客于 17 天前

ORB-SLAM2代码阅读笔记汇总

ORB-SLAM2被许多人推荐为学习SLAM必须要学习的入手项目，甚至视觉SLAM十四讲当中的许多章节的描述方式都是和该系统吻合的。其中包含了经典的视觉SLAM的各个模块：前端视觉里程计、后端优化、闭环检测和建图，将这个系统代码完整读一遍能够加深对视觉SLAM的理解。当然，SLAM研究，学习优秀的开源系统、基础理论和相关论文只是第一步，一定要在工作中去实践，才有可能把SLAM相关技术掌握的更加深入。ORB-SLAM2代码阅读笔记（一）：从mono_kitti单目运行开始 ORB-SLAM2代码阅读笔

发布博客于 18 天前

第3周课件-全网最详细的ORB-SLAM2精讲

目录1、求解单应矩阵H1.1 归一化1.2 H矩阵求解原理1.3 SVD分解1.4 为什么的第9个奇异向量就是最优解？2. 求解基础矩阵F2.1 推导F矩阵约束方程2.2 SVD2.3 F矩阵秩为2 2.4 对极约束3 卡方检验3.1 为什么要引用卡方检验?3.2 卡方分布用途？3.3 卡方分布假设检验步骤？3.4 一个例子：抽奖机之谜3.5 什么是显著性水平？3.6 卡方...

发布博客于 18 天前

PID算法基本思想

一、PID算法基本原理PID算法是控制行业最经典、最简单、而又最能体现反馈控制思想的算法。对于一般的研发人员来说，设计和实现PID算法是完成自动控制系统的基本要求。PID，就是对输入偏差进行比例积分微分运算，运算的叠加结果去控制执行机构。其中调节器就是人的大脑，就是一个调节系统的核心。任何一个控制系统，只要具备了带有 PID的大脑或者说是控制方法，那它就是自动调节系统基本的调节器具有两个输入量：被调量和设定值：被调量就是反映被调节对象的实际波动的量值（变化），设定值就是人们设定的值，也就是人们期望.

发布博客于 23 天前

第2周课件-全网最详细的ORB-SLAM2精讲

本课件是公众号计算机视觉life 旗下课程《全网最详细的ORB-SLAM2精讲：原理推导+逐行代码分析》（点击可跳转课程详情）的课程课件。谢谢各位学员的支持！本课程对应的注释代码：https://github.com/electech6/ORBSLAM2_detailed_comments 由于源码注释和课件在持续更新，所以：如视频课程中注释与上述GitHub中有不同，以GitHub上最新源码为准。如视频课程中课件与本课件不同，以本课件为准。本周课程重点： 1. ..

发布博客于 25 天前

第1周课件-全网最详细的ORB-SLAM2精讲

本课件是公众号计算机视觉life 旗下课程《全网最详细的ORB-SLAM2精讲：原理推导+逐行代码分析》（点击可跳转课程详情）的课程课件。谢谢各位学员的支持！本课程对应的注释代码：https://github.com/electech6/ORBSLAM2_detailed_comments 由于源码注释和课件在持续更新，所以：如视频课程中注释与上述GitHub中有不同，以GitHub上最新源码为准。如视频课程中课件与本课件不同，以本课件为准。本周课程学前准备： 1. .

发布博客于 25 天前

MSCKF 源码解析一

源码路径: https://github.com/daniilidis-group/msckf_mono源码框架上图展示了整个msckf源码框架，每当收到新图像时，首先判断是否进行imu初始化，如果没有则进行imu的初始化，否则记录当前图像帧和上一图像帧之间的imu信息，然后利用记录的imu信息进行EKF滤波的imu预测过程，之后更新图像跟踪器里面的图像和imu信息并跟踪和产生新特征．在跟踪完新图像之后，紧接着进行误差状态向量和协方差矩阵的增广，向误差状态向量里面添加新的相机状态和协方差..

发布博客于 28 天前

MSCKF 公式推导

目录一、简介二、符号说明三、状态向量3.1 真实状态向量 true state3.2 误差状态向量 error state四、IMU 预测4.1 连续形式的误差运动方程4.2 连续形式的协方差传播五、相机位姿状态增广5.1 状态向量增广5.2协方差矩阵增广六、视觉测量模型6.1 视觉测量残差6.2 残差线性化近些6.3 边缘化路标点的位置误差七、更新八、参考文献一、简介MSCKF 是明尼苏达州大学 Mourikis 等人提出的一种.

发布博客于 28 天前

MSCKF公式推导.pdf

很好的公式推导资料，步骤详细，内容丰富

发布资源于 28 天前

常见的数值积分方法（欧拉、中值、龙格-库塔，【常用于IMU中】）

1. 积分基本概念设F(x)为函数f(x)的一个原函数，我们把函数f(x)的所有原函数F(x)+C（C为任意常数）叫做函数f(x)的不定积分(indefiniteintegral)。非线性微分方程:在有限的时间间隔Δt积分:连续时间内积分:工程上最常见的有三种：欧拉积分（Euler method）、中值积分（Midpoint method）和龙格－库塔法积分（Runge–Kutta methods）。他们的区别就是如何用数值方法模拟一个斜率。这里简单总结如下：...

发布博客于 28 天前

算法改进5：开源算法Open VINS试用

1. Open VINS简介Open VINS是Huang Guoquan老师团队在2019年8月份开源的一套基于MSCKF的VINS算法，黄老师曾是Tango项目的核心成员，在MSCKF这块非常的权威。Github地址:https://github.com/rpng/open_vins 官方文档: https://docs.openvins.com/pages.htmlOpen VINS的特色官网上有介绍，个人比较关注的有以下几点:详细的官方文档和理论推导，写的非常好，强烈推荐 ...

发布博客于 2 月前

算法改进4：融合直接观测

在实际应用过程中往往不只有视觉和IMU的融合，还有其他很多传感器（GPS、激光、里程计等），这些传感器数据和VIO进行融合能够极大提高VIO的精度和稳定性。融合的方式分为松耦合和紧耦合，常见的做法是将VIO看成一个独立的传感器与其他传感器进行松耦合，但有时为了提高VIO本身的精度也可以将部分传感器信息加入到VIO融合框架中。代码实现上可以做成一个通用的直接观测更新接口，输入参数：observe_vec：直接观测向量，所有观测合并成一个向量 state_vec：直接观测向量中每一项对应的当前

发布博客于 2 月前

算法改进3：能观性分析

感谢：https://zhuanlan.zhihu.com/p/78005491对于VIO系统，在重力加速度已知但特征未知的前提下，它有4个维度是不能观的：全局位置（3DoF），绕重力轴方向的旋转（1DoF），也就是yaw角。然而，在实际MSCKF中，由于Jacobian的计算使用了状态量在不同时刻估计值，使得系统不能观的维度从4变成了3，yaw角被错误的能观了，相当于MSCKF使用的离散线性模型与真实模型不一致（Inconsistency），系统会错误地认为yaw角带有很多的信息，从而较...

发布博客于 2 月前

经典算法学习博客

向优秀的人学习！博客连接：https://blog.csdn.net/v_july_v/category_769275.html

发布博客于 2 月前

算法改进2：时间同步与同步误差估计

感谢：紫薯萝卜 https://zhuanlan.zhihu.com/p/779967441. 同步误差定义不同传感器之间的数据同步对融合算法至关重要，在VIO中，相机与IMU之间的数据同步对VIO精度影响非常大。如下图所示，假设相机和IMU在同一时刻（设为）采样，由于曝光、数据传输等需要时间，相机数据在经过时间后才收到，IMU数据在经过时间后收到，一般在收到传感器数据后才会打时间戳，所以相机和IMU数据的时间戳分别为，由于与的不一致，使得本来在同一时刻采集的相机和IMU数据被打.

发布博客于 2 月前

算法改进1：双目扩展与外参在线标定

感谢：紫薯萝卜 https://zhuanlan.zhihu.com/p/779756051. 改进思路接下来的章节中会介绍MSCKF的各种改进方法，目的都是为了提高VIO的精度、稳定性、鲁棒性，其中大部分是为了提高精度。VIO的核心是视觉和IMU的融合，所以不论是滤波方法（MSCKF）还是优化方法（VINS），改进的思路都可以从IMU、视觉和融合这三方面着手：提升IMU 更高精度的IMU 更准的IMU标定模型更高的采样频率（200HZ, 500HZ, 1000HZ）更高精

发布博客于 2 月前

理论五、State Augmentation

感谢：紫薯萝卜 https://zhuanlan.zhihu.com/p/76894345MSCKF的状态向量：它包括IMU状态和N个相机状态。那究竟维护哪些相机状态呢？与基于关键帧的方法不同的是，MSCKF将每一帧都加入到状态向量中，每来一帧图像后，先根据IMU Propogation对IMU状态进行预测，然后根据相机外参计算当前帧的相机位姿，将最新相机状态加入到状态向量中并扩展协方差矩阵，这就是状态扩增（State Augmentation）。- 理解这个思想1. 状态向量扩..

发布博客于 2 月前

理论四、 MSCKF IMU Propagation

感谢：紫薯萝卜https://www.zhihu.com/column/c_1121353757664964608IMU Propagation过程：利用两帧图像之间的所有IMU观测数据（加速度和角速度），对MSCKF的状态向量和协方差进行迭代预测。它相当于EKF中的预测过程。本节主要探讨的是如何根据状态量之间的物理关系推导出状态的线性化运动模型，以及如何根据运动模型对状态向量及其协方差进行迭代预测。1. 运动模型推导1.1 状态真实值的系统模型各状态量真实值之间的物理关系如下..

发布博客于 2 月前

理论三、 MSCKF 数学基础

感谢：紫薯萝卜 https://zhuanlan.zhihu.com/p/767938471. 数学定义后续将进行MSCKF数学基础介绍，先总结一下数据符号定义坐标系定义物理量定义估计量定义四元数定义：四元数有Hamilton和JPL两种形式，不同论文定义不一致，后面统一使用的JPL形式，区别如下2. 误差状态向量MSCKF后端的融合框架用的error-state EKF，其状态向量包括：IMU状态和N个历史相机状态，误差状态向量如下：..

发布博客于 2 月前

理论二、MSCKF 前端特征跟踪

感谢：紫薯萝卜 https://zhuanlan.zhihu.com/p/76375967VIO算法的核心在后端，不管是优化的方法还是滤波的方法，都是靠后端的紧耦合融合获得较高的VIO精度，为了节省计算量一般前端都会做得很简单，基本都是FAST、Harris等角点加LK光流跟踪（S-MSCKF中使用的FAST角点，VINS_MONO中使用的goodFeatureToTrack）。如果计算资源充裕的话，也可以换成 ORB、SURF、SIFT 等描述子特征，精度应该会有所提升。这里以S-MSCKF.

发布博客于 2 月前

理论一、MSCKF算法简介

论文：https://arxiv.org/abs/1712.00036代码：https://github.com/KumarRobotics/msckf_vio 感谢：紫薯萝卜 https://zhuanlan.zhihu.com/p/763418091. 什么是MSCKF?MSCKF 全称 Multi-State Constraint Kalman Filter（多状态约束下的Kalman滤波器），是一种基于滤波的VIO算法，2007年由Mourikis在《A Multi-Stat...

发布博客于 2 月前

虚警率、漏警率

一、相关概念1、真实值actual value和预测值predicted value这两者就是字面的意思，actual value是指真实记录的已发生的测量结果值，而predicted value是指对未发生的预测值。这里的值既可以是数值型，也可以是类别型。2、真True、假False这两个表示的是真实值与预测值之间是否吻合，true表示的是预测值与真实值一致，而false表示的是预测值与真实值不一致。3、阳性Positive（正）、阴性Negative（负）首先这里讨论的posit

发布博客于 2 月前

利用卡方检验选择变量阈值

场景在规则制定时，面对连续型变量，往往需要选取一个阈值，用以界定好坏客户，比如：这个10就是我们需要事先给定的一个值，那是根据什么来定10，而不是9,8,11,15等其他值。原理假定目前已经有一定的样本数据：根据“3个月多头数”、“是否坏客户”整理后如下：现在我们可以设定一个值k∈(0,n)，k为整数，将3个月多头数分成2个部分[0,k)和[k,n]。因此上表可以转换成2分表（如下表）。这样，就可以通过卡方检验来测试：“3个月多头数（k临界值）”与“客户好坏”..

发布博客于 2 月前

由空间三对点求解两个坐标系之间的变换矩阵

三维刚体变换模型（即旋转/平移矩阵，RT矩阵）的估计方法原理简单阐述：只要算出变换矩阵，就可以算出A坐标系的一个点P在坐标系B里的对应点坐标，即T为3x3的转换矩阵， t 为3x1的位移变换向量，这里点坐标均为3x1的列向量（非齐次形式，齐次形式下为4x1列向量，多出的一个元素值补1而已）。理论上只要给定至少3对点，就能计算出 T 和 t 。自然的，点对越多，计算出来的转换就越精确。详细的原理请参考《Estimating 3-D Rigid Body Transformations: A Co

发布博客于 2 月前

每周查看的期刊名称

定期订阅的期刊名称一、JOURNAL OF NAVIGATION期刊官方网站http://journals.cambridge.org/action/displayJournal?jid=NAV期刊投稿网址https://mc.manuscriptcentral.com/nav二、IEEE SENSORS JOURNAL期刊官方网站http://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=7361期刊投稿网址...

发布博客于 2 月前

Word 中出现公式不能编辑问题（兼容模式）

当word中的公式不能编辑，多数原因是由于word是处于兼容模式下，这个时候就需要取消world的兼容模式，具体步骤如下：一、打开word文档二、点击 word中的文件出现如下结果：然后，点击 “信息”，右边会出现 “兼容模式”，（我的已经点击后了，所以没有看到“兼容模式” 几个字）然后就结束了，我们就会发现word 恢复正常了...

发布博客于 2 月前

MATLAB局部放大功能 magnify.m

Magnify： 1、需要在对应的文件夹中系在 magnify.m 文件（自行下载，和MATLAB程序放在一个文件夹中） 2、打开figure图，输入magnify，然后右键选中想要放大的区域（按着右键不要动），然后可以使用‘<’和‘>’缩放方法范围，‘+’和‘-’缩放放大比例，看着放大的小图满意后松开右键即可。（这一过程网上都管他们叫固化）【注意顺序】 3、真的很好用哈哈 magnify是个动态放大镜，固化后可以用tools>edit plot（工具-编辑绘图）移动小图，能选取多个局部图，用法：打开figure图，输入magnify，左键动态选取查看，ctrl+左键固化，也可右键

发布资源于 2 月前

英语写作相关网站

一、英语整体写作流程和短语http://www.phrasebank.manchester.ac.uk/compare-and-contrast/二、短语搭配，语法检错等https://linggle.com/（1）想看看 brain 这个词前面通常用什么来形容？ adj. brain（2）想看看 record 这个动词后面通常跟什么名词？ record n.（3）只记得一个短语里的一个词？ v. a/an adj. role（4）不确定一个短语是不是用对了？ go ?to.

发布博客于 2 月前

Linux系统基本指令

Ctrl + Alt + T 打开终端Ctrl + d 关闭终端Ctrl + l 清屏=clearCtrl + shift + n 打开新终端Ctrl + win + D 返回主界面Cd Desktop 进入桌面Cd Desktop/INS_GPS 进入桌面\INS_GPS文件夹...

发布博客于 2 月前

MATLAB 画图并生成高清矢量图

1：文件-导出设置-渲染-向量格式2：文件-导出设置-字体-time new（加粗，字体16磅）-应用于图窗字体16磅-浏览，变成长方形，根据情况调节3:保存-emf格式4：插入-图片格子框设置grid on;set(gca, 'GridLineStyle', '--'); % 设置为虚线set(gca, 'GridAlpha', 1.0); % 设置透明度九：MATLAB局部放大功能方法一：Magnify：1、需要在对应的文件夹中...

发布博客于 2 月前

二进制、八进制、十进制、十六进制之间的转换（言简意赅）

一、二进制与十进制之间的转换十进制转二进制方法为：十进制数除2取余法，即十进制数除2，余数为权位上的数，得到的商值继续除2，依此步骤继续向下运算直到商为0为止。（具体用法如下图）二进制转十进制方法为：把二进制数按权展开、相加即得十进制数。（具体用法如下图）二、二进制与八进制之间的转换二进制转八进制方法为：3位二进制数按权展开相加得到1位八进制数。（注意事项，3位二进制转成八进制是从右到左开始转换，不足时补0）。（具体用法如下图）八进制转成二进制方法为：..

发布博客于 2 月前

Camera+IMU联合标定

说明：仅仅是自己根据别人博客的理解，后面会根据数据进行详细的更新一、安装Kalibr1.1 安装依赖项sudo apt-get install python-setuptools python-rosinstall ipython libeigen3-devlibboost-all-dev doxygen libopencv-dev ros-indigo-vision-opencvros-indigo-image-transport-plugins ros-indigo-cmake.

发布博客于 2 月前

stim300 数据

stim300 数据，主要用于 ALLAN 方差的分析

发布资源于 2 月前

使用 imu_utils 对 IMU 进行标定

1.首先,安装ceres依赖项,然后下载编译安装ceresgit clone https://github.com/ceres-solver/ceres-solvercd ceresmkdir buildcd buildcmake ..makesudo make install安装依赖项sudo apt-get install libdw-dev在编译之前我们先注意三个问题，避免入坑（1）全局安装ceres库，code_imu依赖ceres。（2）code_ut..

发布博客于 2 月前

iIMU-FSAS 参考系统

一、RAWIMU Raw IMU DataIMU 的比例因子串口命令输入: log rawimua onnew ASCII 输出格式: #RAWIMUA,COM1,0,68.5,FINESTEERING,1724,219418.009,024c0040,6125,30019;1724,2194 18.008755000,00000077,64732,56,298,8,28,-3*7378486f 上面格式的描述...

发布博客于 2 月前

github 网页版新手使用指南

参考连接:https://blog.csdn.net/buknow/article/details/80325986https://blog.csdn.net/Hanani_Jia/article/details/79855429找个时间系统学习一遍，因为太重要了！

发布博客于 2 月前

GNSS接收机和相机时间同步细节说明

一、器件说明1、GNSS 接收机是 Propak6,如下图所示：具体得介绍：1、https://blog.csdn.net/hltt3838/article/details/1106227322、https://blog.csdn.net/hltt3838/article/details/1106771482、相机是 Balser 相机具体得介绍：1、https://blog.csdn.net/hltt3838/article/details/1089040...

发布博客于 2 月前

导航接收机 --- 数据格式说明

1 GNSS 处理常见文件 1.1 什么是 RINEX 文件？ RINEX（Receiver Independent Exchange）格式是与接收机无关的数据交换格式，该格式采用文本文件存储数据，数据记录格式与接收机的制造厂商和具体型号无关。RINEX 格式是 GPS 测量应用等的标准数据格式，几乎所有测量型 GPS 接收机厂商都提供将其格式文件转换为 RINEX 格式文件的工具，而且几乎所有的数据分析处理软件都能够直接读取 RINEX 格式的数据。 1.2 什么是 O 文..

发布博客于 2 月前

二、NovAtel Connect 2.3.2 版本操作说明

一、连接方式有串口连接、USB连接、蓝牙连接、无线网连接、网口连接，具体的连接方式看博客：https://blog.csdn.net/hltt3838/article/details/110622732下面具体的介绍一下串口的连接方式：接收机有三个串口，COM1、COM2、COM3，看上面的连接就知道了！并且有三个对应的线，1 2 3 ;把线和串口对应连接，串口的另一端和电脑连接，当然如果电脑没有串口，可以用串口转USB，如线图所示：（当然，一定要连接电源呀）...

发布博客于 2 月前

NovAtelConnect2.3.2.zip

有串口连接、USB连接、蓝牙连接、无线网连接、网口连接，具体的连接方式看博客： https://blog.csdn.net/hltt3838/article/details/110622732 下面具体的介绍一下串口的连接方式：接收机有三个串口，COM1、COM2、COM3，看上面的连接就知道了！并且有三个对应的线，1 2 3 ; 把线和串口对应连接，串口的另一端和电脑连接，当然如果电脑没有串口，可以用串口转USB，如线图所示：（当然，一定要连接电源呀）

发布资源于 2 月前

M39、参数、板卡配置软件

一、软件的下载地址https://download.csdn.net/download/hltt3838/13453057二、配置参数手册https://download.csdn.net/download/hltt3838/13453168

发布博客于 3 月前

迈普时空M39使用手册

3.3.1 M39数据线说明 6 3.3.2 航插定义 8 3.3.3 接口说明 9 3.3.4 信号灯 10 3.3.5 外部接口 10 4 产品功能配置方法 12 4.1 配置工具 12 4.2 配置方法 14 4.2.1 配置200HZ 姿态、位置、时间、速度输出。 15 4.2.2 配置CAN总线输入。 15 4.2.3 配置里程计扩展可提高位置，速度精度 18 4.2.4 配置RTK 18 4.2.5 配置杆臂安装角标定双天线标定 19 4.2.6 配置输出任意目标点位置、姿态、速度。 20 4.2.7 支持板卡原始观测输出PPS Event 21 4.3 读取配置 21 4.4

发布资源于 3 月前

GINS Setup_2.4.0606_CMD_zh_en.exe

读取M39的导航信息，GPS的解码，IMU的解码，IMU的生成等操作；直接下载便可以使用，免驱动安装

发布资源于 3 月前

RTGnssInsNav Setup_1.9.0327.exe

RTGnssInsNav软件；（1）运行安装软件，点击下一步。（2）选择安装目标文件夹，可使用默认路径，点击下一步（3）选择“开始菜单”文件夹，点击安装。

发布资源于 3 月前

二、NovAtel Connect 1.80 版本操作说明书

目录一、软件下载地址二、NovAtel Connect简介三、打开连接四、Connect各窗口说明1、Constellation窗口 2、Plan View窗口3、Position窗口4、Dilution of Precision窗口5、GPS Tracking Channel Status窗口6、Console Window窗口五、数据记录六、记录数据转化一、软件下载地址https://www.gpsolution.co...

发布博客于 3 月前

一、接收机操作说明 ProPak6

资料相关连接https://www.gpsolution.com/support-cn#manual

发布博客于 3 月前

ProPak6 接收机操作说明

ProPak6 接收机操作说明目录一、PROPAK6面板介绍 .......................................................................................................................................................... 1 1、前面板介绍.......................................................................................................

发布资源于 3 月前

常用导航坐标系及转换关系（理论+程序）

一、坐标系定义与符号约定在捷联惯导中，涉及到多种坐标系，下面给出常用的坐标系的定义： 1）惯性坐标系（i 系）：以地球质心为原点，轴指向地球自转轴，轴位于赤道面指向空间任意点，轴与其构成右手系。该坐标系不随地球自转而转动，但是由于地球质心绕太阳公转以及太阳系绕银河系公转，因此，该系不是绝对惯性系，然而这些影响十分微弱，低于惯导的噪声水平，因而可以忽略不计，该系可以认为是一个惯性系2）地心地固系（e 系）：与大地测量中的 ECEF 系一致理解：某一时..

发布博客于 3 月前

十三、扩展一个组合导航系统

感谢大神分享：https://zhuanlan.zhihu.com/p/156958777一、概述上一篇文章我们讲述了怎样搭建一个基本的组合导航系统，它仅仅包括IMU做预测、GPS做观测，而实际中，能够使用的信息远远不止这些，把多种信息融合在一起，才能得到一个真正稳定可靠的组合导航系统。比如，对于车辆导航来讲，它自身的运动模型导致载体系 x方向和z方向速度为零(这里按照右前上建立坐标系)，零本身就是一种观测；另外，当车上有轮速计时，载体系y向也有了观测。除此以外，有磁力计时，又能在.

发布博客于 3 月前

九、惯性导航解算

一、概述惯性导航解算就是从上一时刻的导航信息推导本时刻的导航信息，包括姿态、速度、位置。具体来讲，就是构建当前时刻导航信息与上一时刻导航信息、运动输入 (角速度、加速度) 之间的关系，确切地说，是微分关系。姿态、速度、位置的更新中，尤以姿态更新的方法最多，计算也最为复杂，因为姿态有不同的表示形式，而且具有非线性和不可交换性，因此它是整个导航解算的重中之重。在低精度惯性导航中，以当地平面坐标系作为导航系，不考虑地球模型和地球自转角速度，这种做法当然也仅适用于低精度导航，对于本篇文章来讲，重

发布博客于 3 月前

十二、构建一个基本的组合导航系统

一、概述在之前的文章里，我们从一个基本的IMU模块开始讲起（二），利用Allan方差分析方法（三、四），得出了其误差参数，又通过标定（五、六、七、八）、温补（九）提高了原始数据精度，通过导航解算（十）得出了状态预测值，通过分析惯性导航误差传播规律（十一）写出了状态方程，最后使用滤波器（十二）把状态、观测融合在一起。然而，这其实并不完整，首先初始对准还没有做，其次融合是为了得到更精确的位置、速度、姿态，但是导航误差和IMU自身的内参是耦合在一起的，要估得更精确，强行忽视可不行，但是那么多内

发布博客于 3 月前

十一、滤波器基本原理

1. 概述滤波器是组合导航的核心，是把惯性导航的解算结果和其他传感器输出的观测结果连接在一起的纽带，只有借助它，才能使二者优势互补，得到一个精确、稳定的导航系统。组合导航中使用的滤波器有很多，常见的有卡尔曼滤波(KF)、扩展卡尔曼滤波(EKF)、迭代扩展卡尔曼滤波(IEKF)、无迹卡尔曼滤波(UKF)、粒子滤波(PF)，本篇文章会一一介绍他们的原理，只是在这之前，我们需要回忆一下以前学过的一些参数估计的基础知识。2. 参数估计思想理解参数估计思想，重点要区分的是三个方法：极大似然.

发布博客于 3 月前

十、惯性导航误差传播规律

一、概述上一篇文章我们介绍了惯性导航的解算方法，也即由陀螺仪和加速度计原始的角速度和加速度信息解算得到惯导的位置、速度、姿态等信息。在实际系统中，由于陀螺仪和加速度计信息具有误差，那么必然导致导航误差的逐渐增大，我们需要通过理论形式给出它的误差传播方程。这样做主要是基于两个目的，其一是，当我们能够定量计算导航误差和器件误差之间的关系时，那么设计导航系统应该选用什么精度等级的器件就有依据了。其二是，在组合导航中，误差传播方程其实就是滤波器的状态方程，必然要有的。二、误差方程推导.

发布博客于 3 月前

八、IMU器件温度漂移补偿

感谢大神分享：https://zhuanlan.zhihu.com/p/1449535571. 概述温补的本质是系统辨识。之前我们在介绍标定的时候，也说过一句类似的话“标定的本质是参数辨识”。这两者之间相似又不同。参数辨识是指已知误差模型，去估计各误差量的实际值是多少，而系统辨识在做参数辨识之前，还要做模型辨识，因为器件偏差随温度变化的模型是未知的，不知道有几个变量，也不知道是几阶模型，这个事情就变得不那么简单。按照搞技术的套路，事情越复杂，业界出现的方法就越多，我们一一来看..

发布博客于 3 月前

七、IMU器件误差标定方法总结

感谢大神分享：https://zhuanlan.zhihu.com/p/1414031561. 概述我们通过三篇文章，分别介绍了分立级标定、系统级标定和基于迭代优化的标定（半系统级标定），了解了他们各自的原理、方法和实现方式。但是，我们的最终目的是完成标定任务，具体来讲，就是当面对多种方法的时候，应该怎么选择的问题。为了完成这一步，我们需要了解的是各种标定方法有哪些优缺点，以及需要哪些条件。2. 优缺点分析前面三篇文章，我们只介绍了三种方法的实现原理，这种介绍是以理想情况..

发布博客于 3 月前

六、IMU误差标定之基于迭代优化的标定

感谢大神分享：https://zhuanlan.zhihu.com/p/137551862一、概述前两篇文章，我们分别介绍了分立级标定和系统级标定，所谓分立级标定，就是以转台输入为基准，通过转动转台构建方程，对各个参数分别独立求解。所谓系统级标定，就是把所有误差参数看做一个导航系统的一部分，通过观测导航误差，反推出器件误差。今天介绍的基于迭代优化的标定，其思想介于两者之间。由于同样不使用转台，它不能像分立级那样能把每个参数独立拆开，但也没有像系统级那样，把所有参数都扔到一.

发布博客于 3 月前

五、IMU误差标定之系统级标定

感谢大神分享：https://zhuanlan.zhihu.com/p/1352301331. 概述上一篇文章我们一起讨论了基于转台的标定，其实它还有另一个名字，叫分立级标定。分立级这个名字是从英文单词“discrete”翻译过来，翻译之后可能就变得不是很直观，它实际表达的意思是“互不关联的”。在标定的任务里，这个互不关联，指的就是各个误差参数的标定可以互不干扰，因为从原理上，我们只需要不断地构建方程，就可以把其他变量抵消掉，提取出我们需要的参数，而不需要知道其他参数的值是多少。.

发布博客于 3 月前

四、IMU误差标定之基于转台的标定

感谢大神分享：https://zhuanlan.zhihu.com/p/1313425301. 概述标定的本质是参数辨识。首先明确哪些参数可辨识，其次弄清怎样辨识。参数包括陀螺仪和加速度计各自的零偏、标度因数、安装误差。辨识就比较丰富了，如果让各位先不局限于标定任务，想一想你了解的辨识方法有哪些，常见的回答应该有这样几个：1）解析法或最小二乘2）滤波（kalman等）3）梯度下降迭代优化确实没错，标定里用的就是这些方法。这说明标定其实就是一个普通的参数辨识问题，它和你遇.

发布博客于 3 月前

三、Allan方差分析

1. 概述在上一篇文章，我们对器件误差的成分进行了分析，并且介绍了最主要的五种误差成分在“方差-时间间隔”的双对数曲线上的直观表现及产生这种表现的原理。同时也提到，在两种误差分析方法中，Allan方差方法比直接方差统计要更有优势，所以本篇文章我们就一起讨论下Allan方差的具体实现方式。2. 实现方式Allan方差识别误差的方式是画“方差-时间间隔”双对数曲线，这包含三方面：方差、时间间隔、双对数(好像是一句废话，哈哈)。在测试中，我们按照一定的周期T采集了一段时间数据，根据这些离散

发布博客于 3 月前

二、器件误差分析理论

感谢大神分享：https://zhuanlan.zhihu.com/p/125554723一、概念及意义拿到一个IMU，首要任务是对其器件误差进行分析，这包括陀螺仪的误差和加速度计的误差。其实这两者的误差分析基本类似，所以我们就以陀螺仪为准来介绍误差成分、原理及分析方法。加速度计的误差分析直接照葫芦画瓢就行。陀螺仪的误差主要包括这样几项：1. 量化噪声量化噪声是数字传感器必然出现的噪声，我们通过AD采集把连续时间信号采集成离散信号，在这个过程中，精度就会损失，损失的精度大小.

发布博客于 3 月前

一、惯性器件综述

1. 前言在自动驾驶或机器人领域，我们目前接触最多的惯性器件就是MEMS了，偶尔会接触到采集车里的光纤惯导。这是我们处在这个行业所看到的情况，但其实它只是惯性领域的局部，把局部放在全局里去看，会对它有更深的理解。为了做到这一点，我们需要在横向上了解还有哪些其它的惯性器件，在纵向上了解每种器件的发展历史。2. 发展历史惯性技术的发展史，本质上就是惯性器件的发展史。惯导系统的每一次突破，都是从惯性器件的突破开始的。惯性器件包括陀螺仪和加速度计，其中陀螺仪的发展占主要地位，惯性技术发展的时

发布博客于 3 月前

MATLAB PVQ、bias、Diff 程序

-----------------------------------------------------------------------------------------%geoshow[fname, pname] = uigetfile('*.*', '请导入结果文件！');PVA=load(strcat(pname, fname));figure,geoshow(PVA(:,2),PVA(:,3));minTime=min(PVA(1,1),PVA(length(PVA(:,1)

发布博客于 3 月前

MATLAB 三维图绘制程序

一、用法1、三维曲线绘制函数为 plot3(x,y,z):表示绘制一条三维曲线,其中x,y,z为三个相同维数的向量,函数绘出这些向量的所表示点的曲线2、plot3(x1,y1,z1,c1,x2,y2,z2,c2)：表示按照坐标对向量绘制多条曲线，其中x1,y1,z1表示三维向量,c1,c2..表示线性或者颜色二、程序例1t=0:pi/30:10*pi;x=2*cos(t);y=2*sin(t);z=3*t;plot3(x,y,z);xlabel('x');..

发布博客于 3 月前

四元数、欧拉角、旋转矩阵之间互相转换

一、理论四元数欧拉角欧拉角有两种：静态：即绕世界坐标系三个轴的旋转，由于物体旋转过程中坐标轴保持静止，所以称为静态动态：即绕物体坐标系三个轴的旋转，由于物体旋转过程中坐标轴随着物体做相同的转动，所以称为动态使用动态欧拉角会出现万向锁现象；静态欧拉角不存在万向锁的问题。一个典型的万向锁问题可以表述如下：先仰45°再俯90°，这与先俯90°再仰45°是等价的。事实上，一旦选择±90°作为俯角，就会导致第一次旋转和第三次旋转等价，整个旋转表示系统被限制在只能绕竖直轴旋转，.

发布博客于 3 月前

VINS 细节系列 - 相机内参估计

不同的深度摄像头具有不同的特征参数（标定相机），在计算机视觉里面，将这组参数成为相机的内参矩阵C；相机内参是相机坐标系到像素坐标系的投影矩阵，具体的解释可参考博客：https://blog.csdn.net/hltt3838/article/details/109356748格式为：一、人工估计假设：已知摄像头的焦距为4mm = f, 像片的尺寸大小为640x480，传感器尺寸为 5856 μm x 3276 μm，像素大小为3μm x 3μm由上面已...

发布博客于 3 月前

状态分布函数详细介绍

预备知识1》求解数学期望2》数学期望的性质一、正态分布正态分布（Normal distribution）又名高斯分布（Gaussiandistribution），若随机变量X服从一个数学期望为μ、方差为σ^2的高斯分布，记为N(μ，σ^2)；其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。我们通常所说的标准正态分布是 μ = 0,σ = 1的正态分布；详细解释如下：均值方差二、卡方分布若n个相互独立 ...

发布博客于 3 月前

MATLAB 读取和显示 bin 文件数据

%%%%%%%%.bin文件得读取方式%%%%%%%%%%%将读取的数据放置在M行N列中，N表示将读取的数据放置在1列中fip=fopen('imu.bin','rb');[result_imu,num]=fread(fip,[7 301445],'double');%inf表示读取文件中的所有数据，[M,N]表fclose(fip) %%%%%%%%.bin文件得读取方式%%%%%%%%%% datanumber = 301445;imu_data = zeros(7.

发布博客于 3 月前

MATLAB 读取txt 文件，并保存成特定的格式

clearclcclose allData = importdata("rtk.txt"); % 读取名字为 rtk.txt 的文件 datanumber = 3036;gps_data = zeros(datanumber,7); for i = 1:1:datanumber gps_data(i,1:7) = Data(i,1:7) ; %读取到3036x7的矩阵中 end dlmwrite('result_gps.txt',gps_data,' '); ..

发布博客于 3 月前

GPS/INS/视觉融合、自己采集数据测试

打开第一个终端roscore打开第二个终端进入工作区间内，分别输入：cd GPS_Stereo_Ins/catkin_wscatkin_make //单独一个端口，编译后关闭，没有修改程序不用编译，可以用于检查程序问题source devel/setup.bash roslaunch vins vins_rviz.launch打开第三个终端进入工作区间内，分别输入：cd GPS_Stereo_Ins/catkin_ws...

发布博客于 3 月前

Ubuntu 环境中 python读取.txt 数据并绘制图形

一、数据格式二、程序 read_imu.py # coding=UTF-8import cv2import numpy as npfrom matplotlib import pyplot as pltimport pylab#从.txt中读取数据的函数def loadData(fileName): inFile = open(fileName, 'r')#以只读方式打开某filename文件 #定义2个空的list，用来存放文件中的数据 t .

发布博客于 3 月前

C++ 使用查询网站

https://en.cppreference.com/w/

发布博客于 3 月前

printf格式化输出

一、转换说明符 %a(%A) 浮点数、十六进制数字和p-(P-)记数法(C99) %c 字符%d 有符号十进制整数 %f 浮点数(包括float和double)%e(%E) 浮点数指数输出[e-(E-)记数法] %g(%G)浮点数不显无意义的零"0" %i 有符号十进制整数(与%d相同...

发布博客于 3 月前

C++ 中时间文件的读取

一、文件格式timestamps.txt 如下：二、程序int main(int argc, char** argv){ ros::init(argc, argv, "vins_estimator"); ros::NodeHandle n("~"); ros::console::set_logger_level(ROSCONSOLE_DEFAULT_NAME, ros::console::levels::Info); if(argc != 3) { printf(.

发布博客于 3 月前

视觉SLAM 评测工具 evo

一、安装evo工具，git clone https://github.com/MichaelGrupp/evo.git然后进入evo文件夹pip install --editable . --upgrade --no-binary evo二、绘制或者导出一个或多个轨迹cd evo-master/test/dataevo_traj kitti KITTI_00_ORB.txt KITTI_00_SPTAM.txt --ref=KITTI_00_gt.txt -p --plo...

发布博客于 3 月前

VINS - Fusion GPS/INS/视觉融合 0、 Kitti数据测试

打开第一个终端roscore打开第二个终端进入工作区间内，分别输入：cd GPS_Stereo_Ins/catkin_wscatkin_makesource devel/setup.bash roslaunch vins vins_rviz.launch打开第三个终端进入工作区间内，分别输入：cd GPS_Stereo_Ins/catkin_wssource devel/setup.bash rosrun ...

发布博客于 3 月前

VINS - Fusion GPS/VIO 融合二、数据融合

一、简介源代码：VINS - Fusion数据集：KITTI 数据程序入口：globalOptNode.cpp二、程序解读2.1 主函数int main(int argc, char **argv){ //初始化 ros::init(argc, argv, "globalEstimator"); ros::NodeHandle n("~"); //全局优化 global_path = &globalEstimator.glob.

发布博客于 3 月前

VINS - Fusion GPS/VIO 融合一、数据读取

一、相关概念源代码：VINS - Fusion数据集：KITTI 数据程序入口：KITTIGPSTest.cpp 中二、程序解读2.1 参数读取#include <iostream>#include <stdio.h>#include <cmath>#include <string>#include <opencv2/opencv.hpp>#include <opencv2/highgui/hi..

发布博客于 3 月前

Ceres详解（三）最小二乘问题构建与求解

在前两讲中，我们研究了Ceres中代表最小二乘问题的 Problem类以及代表误差函数的类 CostFunction，本讲我们以Bundle Adjustment为例，研究如何利用这两个类构建最小二乘问题，并使用 ceres::Solve()函数求解。例子中使用的数据集为Bundle Adjustment in the Large数据集，完整的示例代码参见github。构建最小二乘问题首先我们需要构建一个BALProblem对象用于数据集的读取和存储，该类的源代码位于bal_probl.

发布博客于 3 月前

Ceres详解（二） CostFunction

代价函数CostFunction与其他非线性优化工具包一样，ceres的性能很大程度上依赖于导数计算的精度和效率。这部分工作在ceres中称为 CostFunction，ceres提供了许多种 CostFunction模板，较为常用的包括以下三种：1、自动导数（AutoDiffCostFunction）：由ceres自行决定导数的计算方式，最常用的求导方式。2、数值导数（NumericDiffCostFunction）：由用户手动编写导数的数值求解形式，通常在残差函数的计算使用无法直接调用的

发布博客于 3 月前

Ceres 详解（一） Problem类

引言Ceres 是由Google开发的开源C++通用非线性优化库（项目主页），与g2o并列为目前视觉SLAM中应用最广泛的优化算法库（VINS-Mono中的大部分优化工作均基于Ceres完成）。Ceres中的有限边界最小二乘问题建模为以下形式：Ceres的求解过程包括构：建最小二乘和求解最小二乘问题两部分，其中构建最小二乘问题的相关方法均包含在Ceres::Problem类中，涉及的成员函数主要包括 Problem::AddResidualBlock()和 Problem::AddP

发布博客于 3 月前

VINS-Mono 代码解析六、边缘化

一、理论部分理论部分就不详细说了，看这个连接： https://blog.csdn.net/hltt3838/article/details/109455065简单介绍1、优化变量：para_Pose （6维，相机位姿）、para_SpeedBias（9维，相机速度、加速度偏置、角速度偏置）、para_Ex_Pose （6维、相机IMU外参）、para_Feature （1维，特征点深度）、para_Td （1...

发布博客于 3 月前

VINS 细节系列 - 光束法平差法（BA）Ceres 求解

一、理论部分学习过VINS的小伙伴应该知道，在SFM（structure from motion）的计算中光束法平差法 - BA（Bundle Adjustment）的重要性！本人也是学习过一段时间后对其有了更加深刻的理解，那咱们就先理论后程序！1、光束平差法光束：源于 bundle of light，指的是三维空间中的点投影到像平面上的光束，而重投影误差正是利用这些光束来构建的，因此强调光束也正是描述其优化模型的来源！平差：感觉像测绘里面的内容！由于测量仪器的..

发布博客于 3 月前

i ++ 和 ++ i 的区别

一、记忆法前++ 是先自加再使用；后++ 是先使用再自加！二、实例2.1 后++a = j++；等效为：a = j;j = j + 1;2.2 前++a = ++j；等校为j = j + 1;a = j;

发布博客于 3 月前

C++中 #ifdef 和 #endif

一、说明程序中，我们有时希望对其中一部分内容只在满足一定条件才进行编译，也就是对一部分内容指定编译的条件，这就是“条件编译”；有时，希望当满足某条件时对一组语句进行编译，而当条件不满足时则编译另一组语句。条件编译命令最常见的形式为：#ifdef 标识符程序段1#else程序段2#endif作用：当标识符已经被定义过(一般是用 #define 命令定义)，则对程序段1进行编译，否则编译程序段2。其中#else部分也可以没有，即：#ifdef 标识符程序段1#d...

发布博客于 3 月前

VINS 细节系列 - 窗口优化

https://blog.csdn.net/heyijia0327/article/details/53707261

发布博客于 3 月前

VINS 细节系列 - Pnp （3D-2D）

一、概念PnP （Perspective-n-Point）问题是在已知特征点的世界坐标及其在某一相机位姿下的归一化坐标，求解相机坐标与世界坐标之间的旋转矩阵和平移向量；PnP 问题有很多种求解方法，例如用三对点估计位姿的 P3P 、直接线性变换(DLT)、EPnP。此外,还能用非线性优化的方式,构建最小二乘问题并迭代求解,也就是万金油式的 Bundle Adjustment，具体理论可以看下面连接： https://blog.csdn.net/hltt3838/art.

发布博客于 3 月前

VINS 细节系列 - 预积分

一、IMU的模型以t时刻，IMU作为参考系，我们能够得到以下的IMU模型：左边是IMU的测量值，包括了3轴的加速度，以及3轴的角速度信息；右边第一项是陀螺仪和加速度计的真值，第二项是偏移偏移，最后一项是测量噪声项。注意一点的是，由于IMU测量的时候，是除了重力加速度外，所有外力对IMU参考系力的和对系统产生的加速度，会把反向重力加速度测量在内。意思是，当IMU自由落体的时候，加速度的读数是0；IMU平放在桌子上的时候，读数是g。这里假设噪声 na,nb 是服从高斯正态分布，而 ba,

发布博客于 3 月前

VINS 细节系列 - 坐标转换关系

前言在学习VINS-Mono过程中，对初始化代码中的坐标转换关系做出了一些推导，特意写了博客记录一下，主要记录大体的变量转换关系。相机和IMU的外参若需要VINS标定旋转外参，则进入以下代码： if (initial_ex_rotation.CalibrationExRotation(corres, pre_integrations[frame_count]->delta_q, calib_ric)) { ROS_WARN("initial extrin

发布博客于 3 月前

VINS 细节系列 - 初始姿态 g2R() 问题

目录一、相关概念二、初始化重力对齐理论部分程序部分双目加IMU的初始化理论部分程序部分一、相关概念假设有IMU坐标系和相机坐标系如下：IMU 和相机有规定其本身的x,y,z轴的方向1、imu 一般规定右前下分别为x,y,z轴2、相机一般认为，z轴平行于镜头朝外，x轴与像平面的水平方向一致，从左到右，y轴与像平面垂直方向一致，从上到下假如：相机坐标系作为参考坐标系，解算出了 imu坐标系在 cam坐标系下的位姿： R ，tt...

发布博客于 3 月前

VINS 细节系列 - IMU 相机外参在线标定

一、概念所谓的外参是从相机（Camera）坐标系到 IMU坐标系的相对旋 Rbc ，在该函数中用的ric表示的；其他过多的就不解释了，具体看我的博客：https://blog.csdn.net/hltt3838/article/details/109356748二、原理这里求解外参用的方法是最小二乘法，构建 AX = 0 的形式，然后使用奇异值分解（SVD）对 A 矩阵进行分解，最小奇异值对应的右向量就是 AX = 0 的非零解。下面就是构建最小二乘形式的过程:上.

发布博客于 3 月前

c++ queue的简单用法

一、定义queue<类型> 名称;例如：queue<int> q1; queue<double> q2; queue<float> q3二、基本操作 que.front() // 取队首元素 que.back() // 取队尾元素 que.push(x ) // 将元素x入队，从已有元素后面增加元素 que.pop() // 将队首元素出队 que....

发布博客于 3 月前

VINS 细节系列 - 视差检查

一、原因为了保证系统的实时性和准确性，需要对当前帧之前某一部分帧进行优化，而不是全部历史帧，优化帧的个数便是滑动窗口的大小。不难理解，为了维持窗口大小，要去除旧的帧添加新的帧，即边缘化 Marginalization。到底是删去最旧的帧（MARGIN_OLD）还是删去刚刚进来窗口倒数第二帧(MARGIN_SECOND_NEW)，就需要对当前帧与之前帧进行视差比较，如果是当前帧变化很小，就会删去倒数第二帧，如果变化很大，就删去最旧的帧 --- 理解一下这个意思！...

发布博客于 4 月前