![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
SLAM
05hBoolShow
海到无边天作岸,山登绝顶我为峰。
展开
-
《第6讲 非线性优化 》读书笔记
本文是《视觉SLAM十四讲》第6讲的个人读书笔记,为防止后期记忆遗忘写的。本节知识脉络对状态估计问题,通过概率论中贝叶斯公式,求解后验概率等价于求解最大似然函数。求解最大似然函数等价于其最小化负对数的求解。通过公式推导,引出最小二乘。问题转换为:求解最大似然,需要求解目标函数最小二乘公式。 最小二乘的求解需要求导,为避免求导数的巨大计算代价,采用下降迭代近似来求解问题。对于 ∆x的确定,...原创 2019-04-06 18:18:52 · 1441 阅读 · 0 评论 -
《第11讲 后端2》 读书笔记
本文是《视觉SLAM十四讲》第11讲的个人读书笔记,为防止后期记忆遗忘写的。本节知识脉络BA的优缺点:BA 能精确地优化每个相机位姿与特征点 位置。不过在更大的场景中,大量特征点的存在会严重降低计算效率,导致计算量越来越 大以至于无法实时化。本章的目的:本讲介绍在更大场景下使用的后端优化方法:位姿图。11.1 位姿图(Pose Graph)11.1.1 Pose Graph 的...原创 2019-04-23 17:02:56 · 294 阅读 · 0 评论 -
《第10讲 后端1》 读书笔记
本文是《视觉SLAM十四讲》第10讲的个人读书笔记,为防止后期记忆遗忘写的。本节知识脉络前面前端的内容,只能求出短时间或者说相邻两帧的转换关系,并建立局部意义的地图。然而当时间延长或者规模变大之后,那么将会出现累积误差。而后端就是要解决这个长时间、大规模建图的问题。对于问题的解决,后端分为批量和渐进两种解决方法。其中渐进是以卡尔曼滤波为代表,而批量是以非线性优化(BA、图优化等)为代表...原创 2019-04-21 16:25:29 · 1984 阅读 · 0 评论 -
《第13讲 建图》
本文是《视觉SLAM十四讲》第13讲的个人读书笔记,为防止后期记忆遗忘写的。我们之前的讨论, 基本集中于“稀疏路标地图”的部分,还没有探讨稠密地图。稀疏地图只建模感兴趣的部分,也就是前面说了很久的特征点(路标点)。而稠密地图是指,建模所有看到过的部分。对于同一个桌子,稀疏地图可能只建模了桌子 的四个角,而稠密地图则会建模整个桌面。虽然从定位(稀疏地图可以)角度看,只有四个角的地图也可以用于...原创 2019-04-29 16:25:39 · 900 阅读 · 0 评论 -
《第8讲 视觉里程计 2 》 读书笔记
本文是《视觉SLAM十四讲》第8讲的个人读书笔记,为防止后期记忆遗忘写的。本节知识脉络前端对于通过图像来估计位姿变化值R和t有两种主流方法,分别是特征点法和直接法。特征点法有他的优缺点,缺点中比较明显的是耗时问题。而直接法不需要计算描述子,这是通过图片像素点来寻找并跟踪特征点,大大减少了时间的花费。直接法是由光流法演化而来,所以有必要介绍下光流法。直接法分为稀疏法、半稠密法(稠...原创 2019-04-15 16:55:23 · 739 阅读 · 0 评论 -
《第7讲 视觉里程计1 》下 读书笔记
本文是《视觉SLAM十四讲》第7讲的个人读书笔记,为防止后期记忆遗忘写的。本讲关注基于特征点 方式的视觉里程计算法。我们将介绍什么是特征点,如何提取和匹配特征点,以及如何根 据配对的特征点估计相机运动。我们希望根据匹配的点对,估计相机的运动。然而,因为相机模型的不同,我们采用的方法也是不同的。1. 当相机为单目时,问题是根据两组 2D 点估计运动。该问题用对极几何来解决。2. 当相机...原创 2019-04-12 21:35:47 · 1022 阅读 · 0 评论 -
《第5讲 相机与图像 》读书笔记
本文是《视觉SLAM十四讲》第5讲的个人读书笔记,为防止后期记忆遗忘写的。本讲讨论的是“机器人如何观测外部世界”, 也就是观测方程部分。而在以相机为主的视觉 SLAM 中,观测主要是指相机成像的过程。本节目标总结针孔相机的模型、内参与径向畸变参数。 总结世界坐标-->相机坐标-->物理成像面坐标-->归一化成像坐标---->畸变纠正坐标 的变换。 学习并总...原创 2019-04-02 21:27:11 · 1009 阅读 · 0 评论 -
《第4讲 李群和李代数 》读书笔记
本文是《视觉SLAM十四讲》第4讲的个人读书笔记,为防止后期记忆遗忘写的。本节目标总结李群与李代数的概念,知道为什么要引出它们。掌握 SO(3), SE(3) 与对应李代数的表示方式。 回忆 BCH 公式以及近似的意义。总结在李代数上的扰动模型。 使用 Sophus 对李代数进行运算。这一节的知识点串联思路在 SLAM 中,除了表示位姿之外,我们还要对它们进行估计和优化。因为在 ...原创 2019-04-02 13:38:23 · 954 阅读 · 1 评论 -
《第7讲 视觉里程计1 》上 7.1~7.6单目模型 读书笔记
本文是《视觉SLAM十四讲》第7讲的个人读书笔记,为防止后期记忆遗忘写的。本讲关注基于特征点 方式的视觉里程计算法。我们将介绍什么是特征点,如何提取和匹配特征点,以及如何根 据配对的特征点估计相机运动。7.1 特征点法前端也称为 视觉里程计(VO)。它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。VO 的实现方法,按是否需要提取特征,分为特征点法的前端以及不提特征的...原创 2019-04-08 21:57:33 · 638 阅读 · 0 评论 -
《第3讲 三维空间刚体运动 》读书笔记
本文是《视觉SLAM十四讲》第3讲的个人读书笔记,为防止后期记忆遗忘写的。本节目标1. 总结旋转矩阵、变换矩阵、四元数和欧拉角各自特点,总结它们之间的相互转换关系。2.总结 线性代数Eigen 库的矩阵、几何模块的c++使用方法。3.1 旋转矩阵(欧氏变换、旋转矩阵、变换矩阵)首先我们考虑的对象是刚体,它不光有位置,还有自身的姿态。相机也可以看成三维空间的刚体,于是位置是...原创 2019-04-01 13:30:02 · 608 阅读 · 0 评论 -
《第12讲 回环检测》 读书笔记
本文是《视觉SLAM十四讲》第12讲的个人读书笔记,为防止后期记忆遗忘写的。12.1 回环检测概述12.1.1 回环检测的意义VO 仅考虑相邻时间上的关联,使得整个 SLAM 会出现累积误差,无法构建全局一致的轨迹和地图。比方说前端给出的只是局部的位姿间约束,可能 是 x1 − x2, x2 − x3 等等。由于 x1 的估计存在误差,而 x2 是根据 x1 决定的,x3 又是由 x2...原创 2019-04-25 17:45:07 · 1418 阅读 · 0 评论