![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
多传感器融合课
文章平均质量分 74
和道一文字_
自动驾驶
展开
-
李群李代数的相互映射、倒数与扰动模型,推导细节和说明
前言:李群李代数的引入,可以方便slam问题中对变换矩阵的求导,解决优化问题。1 李群李代数介绍由于空间中旋转和变换矩阵可以相乘构成物理意义上的闭环,正好对应了群的概念。群的性质如下:此处需要注意幺元并不是单位矩阵,只要符合幺元性质的代数结构,都是。李群是具有连续(光滑性质的群),由物体可在空间中连续变化的物理意义可知,正交群和欧式群都是李群。由于李群的性质中只有乘法没有加法,对旋转和变换的取极限和求导就很困难,因此引入李代数的概念。李代数的性质如下:正交群和欧.原创 2022-04-09 22:54:44 · 1435 阅读 · 1 评论 -
loam框架的注意点,公式推导细节,lego-loam对其的改进及自身不足,
流程介绍及注意细节:总体结构:1.激光slam框架loam的流程图如下。slam的过程使用帧间匹配作为里程计,但在实际工程应用中,可以与先验地图做匹配实现定位,免去了不必要的建图流程(但又会牵扯出地图更新问题,即long-term slam)。特征提取部分:2.loam利用机械式多线激光雷达模型,将点云投影到为透视图,这样在单帧点云中,进行临近搜索和计算的效率会特高很多。3.投影的方式有两种:1)可根据点云坐标解算每个点所属的行和列,这样计算量大,对16线雷达(如velodyne原创 2022-03-22 22:23:44 · 1902 阅读 · 7 评论 -
点云匹配算法NDT公式推导过程说明,总结
NDT的具体原理和步骤:https://blog.csdn.net/qq_35102059/article/details/121694705?spm=1001.2014.3001.5501误差函数的构建:将点云Y投影到点云X坐标系下,迭代计算最大重合概论。优化过程及注意事项:1.计算点云x的均值和方差,根据预测(可以使imu给的等)的位姿将Y投影到X,再对数化,将问题转化为求目标函数的最小值。2.下图为借助泰勒展开,化简最小化问题,需要注意的是R,t和p均表示位姿转换。3.原创 2022-03-08 22:18:39 · 1634 阅读 · 1 评论 -
点云匹配算法ICP公式推导过程说明
误差函数最小化过程注意事项:1.分别取两块点云的质心(一般是求均值,为已知),在误差函数的二范数中添加构造。这一步去质心的目的是为了将R和t分解开来。2.展开二范数,由质心的定义,可消去交叉相乘项,即可解耦旋转和平移。3.第一项中只有R,第二项中有R和t。由第二项可知:对于任意的R,都存在一个t,使得第二项为0,即最小。所以,问题就可转化为用第一项先求R最小,再令第二项为0求t。4.将第一项的二范数再展开,根据矩阵二范数的性质,且R为正交矩阵->RTR为单位矩阵,可消去多余的R,仅留交叉项中有原创 2022-03-07 22:32:41 · 970 阅读 · 5 评论