![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
ego-motion
文章平均质量分 76
放牛娃子
尽量上干货,少说废话,不混篇幅
展开
-
四元素定义、运算、插值、与欧拉角之间的转换
在3D图形学中,最常用的旋转表示方法便是四元数和欧拉角,比起矩阵来具有节省存储空间和方便插值的优点。本文主要归纳了两种表达方式的转换,计算公式采用3D笛卡尔坐标系:定义、、分别为绕Z轴、Y轴、X轴的旋转角度,如果用Tait-Bryan angle表示,分别为Yaw、Pitch、Roll。一、四元数的定义通过旋转轴和绕该轴旋转的角度可以构造一个四元数:其中是绕旋转轴旋转的角度,为旋转轴在x,y,z方向的分量(由此确定了旋转轴)。二、欧拉角到四元数的转换三、四元数..原创 2021-07-08 15:05:17 · 7289 阅读 · 0 评论 -
KITTI数据集raw_data标定文件说明
官方文档:Vision meets Robotics: The KITTI Datasetcalib_cam_to_cam.txt为相机i到0号相机的标定参数。calib_time: 09-Jan-2012 13:57:47corner_dist: 9.950000e-02S_00: 1.392000e+03 5.120000e+02K_00: 9.842439e+02 0.000000e+00 6.900000e+02 0.000000e+00 9.808141e+02 2.331966e原创 2021-05-19 16:06:15 · 2605 阅读 · 0 评论 -
无监督深度学习SLAM——Moving SLAM
Moving SLAM: Fully Unsupervised Deep Learning in Non-Rigid Scenes摘要作者提出了一种可无监督训练的深度学习网络,该网络输入视频流,输出3D场景信息(camera 和depth)、运动目标及其运动信息。传统的SLAM存在一个强假设:目标是静止的。这种刚性场景假设限制了模型预测的性能。作者提出了一种简单的解决方案:将图像的局部区域作为刚性场景,对每个区域,预测不同的pose,计算不同区域的误差,进而优化网络参数。对于每个区域,预测一个6D的原创 2021-05-06 15:04:52 · 493 阅读 · 0 评论 -
无监督深度估计、运动估计的深度学习方法(一)
摘要旨在总结无(自)监督深度学习depth、ego-motion和obj-motion的估计方法。在这个领域,在本人的调研中,有几篇比较有代表性的文章,罗列如下。paper listmonodepth2(2019), code自监督训练深度估计网络,可选配单目、立体视觉,或者单目与立体视觉结合的自监督训练。训练框架有两个深度神经网络,一个采用UNet预测深度,另一个输入2张RGB图像,即input的通道数为6,预测这两张图像的相对姿态pose。训练大致流程:预测深度和po原创 2020-11-23 13:58:18 · 2616 阅读 · 0 评论