bcml9-CSDN博客

原创 11.终识庐山真面目：建图

八叉树地图的优点是能够适应不规则的环境，并且在表示稀疏或密集的点云数据时具有高效的存储和查询性能。拓扑地图（Topological Map）: 拓扑地图是一种基于拓扑结构的地图表示方法，它关注环境中的关系和连接性，而不考虑具体的几何信息。它的原理是将目标的状态表示为多个均匀分布和高斯分布的混合物，通过对观测数据进行滤波和更新，逐步减小估计误差并提高状态估计的准确性。不同的算法有不同的性能和适应能力，根据具体应用需求选择合适的算法和参数设置是重要的。遮挡和透明度：遮挡和透明度是立体视觉中常见的挑战。

2023-09-29 19:30:00 529 1

原创 10.又回到曾经的地点：回环检测

为了验证回环的图像相似性，通常需要进行额外的步骤，例如：提取图像特征：对于每个帧，可以使用特征提取算法（如SIFT、ORB等）提取关键点和描述符，得到表示图像内容的特征向量。可以用一个向量表示，向量的长度等于词汇表的大小，每个维度对应一个词语，值表示该词语在文本中的出现频率或权重。回环检测的目标是在机器人运行时，识别当前观察到的场景是否与之前观察到的场景中的某个回环相匹配。在词袋模型中，文本被表示为一个向量，向量的每个维度对应于词汇表中的一个单词，而向量的值表示该单词在文本中的出现频率或权重。

2023-09-27 19:45:00 270 1

原创 9.每次更好，就是最好：后端之非线性优化

其中，x_new是迭代后的新解，x_old是迭代前的旧解，J是目标函数f的雅可比矩阵，r(x_old)是目标函数f在x_old处的残差向量，λ是一个控制步长的参数，I是单位矩阵。其中，x_new是迭代后的新解，x_old是迭代前的旧解，H是目标函数f的海森矩阵（二阶导数矩阵），∇f(x_old)是目标函数f在x_old处的梯度向量。其中，x_new是迭代后的新解，x_old是迭代前的旧解，J是目标函数f的雅可比矩阵（一阶导数矩阵），r(x_old)是目标函数f在x_old处的残差向量。

2023-09-25 17:58:54 104 1

原创 8.在不确定中寻找确定：后端之卡尔曼滤波

根据系统动态模型和状态协方差矩阵，通过状态转移方程预测下一时刻的状态协方差：$P_{k|k-1} = F_k P_{k-1|k-1} F_k^T + Q_k$根据系统动态模型，通过状态转移方程预测下一时刻的状态估计：$\hat{x}{k|k-1} = F_k \hat{x}{k-1|k-1} + B_k u_k$$F_k$ 是状态转移矩阵，$B_k$ 是输入控制矩阵，$u_k$ 是输入控制向量，$Q_k$ 是过程噪声协方差矩阵。$H_k$ 是观测矩阵，$R_k$ 是观测噪声协方差矩阵。

2023-09-23 18:03:58 74 1

原创 7.积硅步以至千里：前端-视觉里程计之相对位姿估计

在求解位姿的过程中，对于每个点对，可以根据估计的位姿计算其预测的二维坐标，并与实际观测到的二维坐标进行比较。RANSAC能够通过假设-验证的方法，识别和排除误匹配的点对，从而提高匹配的准确性。在每次迭代中，通过将目标点云投影到参考点云的坐标系下，并计算其与对应点的距离，可以排除误匹配的点对。3.EPnP:是一种高效的相机位姿求解算法，用于从已知的三维点与对应的二维图像点中估计相机的位置和姿态。④构建方程：根据相机成像模型，可以建立三个方程，将3D点的归一化坐标与对应的2D图像点之间建立关系。

2023-09-22 21:33:55 216

原创 6.换一个视角看世界：前端-视觉里程计之对极几何

x1 * x2, x1 * y2, x1, y1 * x2, y1 * y2, y1, x2, y2, 1]对于所有的匹配点对，形成一个线性方程组，可以表示为A * f = 0，其中 A 是一个 N x 9 的矩阵，每行对应一个匹配点对的线性方程，f 是一个 9x1 的矩阵，表示基础矩阵的参数。对于所有的对应点对，形成一个线性方程组，可以表示为 A * h = 0，其中 A 是一个 2N x 9 的矩阵，每两行对应一个对应点对的线性方程，h 是一个 9x1 的矩阵，表示单应矩阵的参数。

2023-09-20 19:15:00 88 1

原创五.以不变应万变：前端-视觉里程计之特征点

通过增加或减少该参数的值，你可以调整提取到的特征点的数量，从而影响特征点的分布。通过使用多个尺度的图像金字塔，可以在不同的分辨率下检测特征点，并在结果中进行合并，以获得更均匀的特征点分布。④自适应阈值：通过根据图像局部区域的特征点密度来自适应地调整特征点的阈值，可以使特征点在整个图像中更均匀地分布。这可以通过计算每个像素周围区域内的特征点数量，并根据该数量调整特征点的阈值来实现。③非最大抑制：在提取到的特征点中，可以应用非最大抑制（NMS）算法来选择具有较高响应值的特征点，并抑制邻近的重复特征点。

2023-09-18 16:42:24 71

原创四.视觉SLAM简介

通过分析摄像头图像中的特征点、线条、纹理等视觉特征，并结合摄像头的位置和运动信息，VSLAM算法可以估计机器人的位置和构建环境地图。前端提供初始的位姿估计和地图信息，后端通过优化和校正来改进它们，然后将优化后的结果反馈给前端，以进一步改善前端的特征提取和跟踪。前端估计提供实时的位姿和地图估计，后端优化通过全局优化提高估计的精度，回环检测通过识别重复的环路纠正误差，地图构建则是将估计的位姿和地图信息整合为一致的环境模型。如果检测到回环，通过优化相机位姿和地图，校正位姿估计的累积误差，并提高地图的一致性。

2023-09-14 19:00:00 381 1

原创三.描述状态不简单：三维空间刚体运动

常见的欧拉角顺序有三个：绕固定轴顺序的旋转顺序（例如XYZ顺序），Tait-Bryan角（例如Roll-Pitch-Yaw顺序）和航向-俯仰-滚动顺序（例如YPR顺序）。旋转矩阵：旋转矩阵是一个3x3的正交矩阵，用于表示三维空间中的旋转。矩阵的每一列（或每一行）代表了旋转后的坐标轴方向，通过矩阵乘法将旋转矩阵与向量相乘，可以实现对向量的旋转操作。常用的表示方法是使用4x4的变换矩阵，它可以表示平移和旋转的组合。3.旋转矩阵、四元数、欧拉角和旋转向量都是常用的表示方法，用于描述三维空间中的旋转和平移。

2023-09-13 18:49:23 128 1

原创二.差异与统一：坐标系变换与外参标定

②相机姿态估计：外参参数提供了相机的位置和方向信息，可以用于估计相机的姿态，即相机相对于世界坐标系的位置和朝向。使用外参参数可以将相机观测到的图像点从相机坐标系转换到世界坐标系，或将世界坐标系中的点投影到相机坐标系，实现二维图像与三维世界之间的坐标对应。3D与2D坐标转换：通过外参标定，可以将相机的像素坐标系中的图像点转换为世界坐标系中的三维点，或将世界坐标系中的三维点投影到相机的像素坐标系中。相机姿态估计：外参参数提供了相机的位置和方向信息，可以用于估计相机的姿态，即相机相对于世界坐标系的位置和朝向。

2023-09-12 20:26:19 261 1

原创 1.一副图像的诞生:相机投影及相机畸变

这些方法通过对相机的畸变模型进行建模，然后根据畸变参数对图像进行变换，以恢复原始的几何形状。4.相机标定是通过捕捉一组已知几何形状的标定物体的图像，并根据这些图像来估计相机的畸变参数。进行相机投影：使用相机的内参矩阵和外参矩阵，将世界坐标点投影到相机坐标系中。确定相机的内参矩阵：相机的内参矩阵包括焦距、主点坐标和像素尺度等参数。进行像素坐标转换：将相机坐标系中的点转换为像素坐标系中的坐标。确定相机的外参矩阵：相机的外参矩阵包括相机的旋转和平移矩阵，用于描述相机在世界坐标系中的位置和朝向。

2023-09-11 16:31:23 207 1

llllyz9的博客