![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
数学基础
文章平均质量分 57
Gone_float
这个作者很懒,什么都没留下…
展开
-
IMU预积分推导——公式准备
w∧=[w1w2w3]∧=[0−w3w2w30−w1−w2w10]\boldsymbol{w}^{\wedge}=\left[\begin{array}{l}w_{1} \\ w_{2} \\ w_{3}\end{array}\right]^{\wedge}=\left[\begin{array}{ccc}0 & -w_{3} & w_{2} \\ w_{3} & 0 & -w_{1} \\ -w_{2} & w_{1} & 0\end{array}\righ原创 2021-11-22 21:26:15 · 326 阅读 · 0 评论 -
ORB-SLAM2双目开源框架 (1)
ORB-SLAM2主要由以下三个线程组成:(1)跟踪(Tracking)线程: 计算每帧图像的ORB特征并进行匹配,利用Motion-Only BA估计相机初始位姿,跟踪局部地图,并判断当前图像帧是否为关键帧。当跟踪失败时,利用场景识别(Place Recognition)模块恢复对环境地图点的跟踪。(2)局部建图(Local Mapping)线程: 获取跟踪线程的候选关键帧,管理局部地图中的关键帧和局部地图点,执行局部BA,得到准确度更高的定位和建图精度,最后对候选关键帧进行筛选。(3)闭环(Lo原创 2021-11-01 11:12:27 · 906 阅读 · 0 评论 -
ORB特征点均匀化
为什么要把特征点均匀化?纹理丰富的区域提取到的特征点多,弱纹理区域又没什么特征点,导致位姿估算不准。特征点在空间中分布的层次越多、越均匀,特征匹配越能精确的估计出空间几何关系。怎么实现特征点均匀化1.给金字塔分配特征点数量,根据总的图像金字塔层数和待提取的特征点总数,计算每一层图像金字塔中需要提取的特征点数量。金字塔层数越高,分辨率越低,能提取的特征点数量越少。用 总的特征点数目/所有金字塔面积和x某层金字塔面积 就是该层金字塔需要得到的特征点数目。在ORB-SLAM2代码中有微小改动,不按照面积均摊原创 2021-09-24 16:49:28 · 1029 阅读 · 0 评论 -
Kalman Filter—Extended Kalman Filter(EKF)
扩展卡尔曼滤波器原创 2021-09-05 22:27:33 · 193 阅读 · 0 评论 -
Kalman filter—直观理解
原创 2021-09-05 22:03:11 · 77 阅读 · 0 评论 -
Kalman Filter— Priori/Posteriori Error Covariance Matrix
卡尔曼滤波器 误差协方差矩阵原创 2021-09-05 21:46:41 · 99 阅读 · 0 评论 -
Kalman Filter—Step by step Derivation of Kalman Gain
卡尔曼滤波器 卡尔曼增益/因数详细推导https://www.bilibili.com/video/BV1hC4y1b7K7/?spm_id_from=333.788.recommend_more_video.-1原创 2021-09-05 18:06:04 · 99 阅读 · 0 评论 -
Kalman Filter—Data Fusion, Covarince Matrix, State Space Representation, Observation
数据融合 协方差矩阵 状态空间方程 观测器Data Fusion(数据融合)Covarince Matrix 协方差矩阵方差 协方差在一个矩阵中表现出来 ——>变量间的联动关系State Space Representation(状态空间)https://www.bilibili.com/video/BV12D4y1S7fU/?spm_id_from=333.788.recommend_more_video.-1...原创 2021-09-04 21:19:37 · 154 阅读 · 0 评论 -
Kalman Filter 递归算法
Optimal Recursive Data Processing Algorithm最优化 递归 数字处理 算法不确定性: 不存在完美的数学模型系统的扰动不可控,也很难建模测量传感器存在误差令1/k=Kk1/k =K_k1/k=Kkhttps://www.bilibili.com/video/BV12D4y1S7fU/?spm_id_from=333.788.recommend_more_video.-1...原创 2021-09-04 20:50:40 · 101 阅读 · 0 评论 -
浅析直接法
使用特征点法确实存在一些问题。有没有什么办法能够克服这些缺点呢?我们有以下几种思路:• 保留特征点,但只计算关键点,不计算描述子。同时,使用光流法(Optical Flow)来跟踪特征点的运动。这样可以回避计算和匹配描述子带来的时间,但光流本身的计算需要一定时间;• 只计算关键点,不计算描述子。同时,使用直接法(Direct Method)来计算特征点在下一时刻图像的位置。这同样可以跳过描述子的计算过程,而且直接法的计算更加简单。• 既不计算关键点、也不计算描述子,而是根据像素灰度的差异, 直接计算相原创 2021-09-04 16:53:31 · 326 阅读 · 0 评论 -
学习P3P
P3P 是另一种解 PnP 的方法。它仅使用三对匹配点,对数据要求较少。P3P 需要利用给定的三个点的几何关系。它的输入数据为三对 3D-2D 匹配点。记 3D点为 A,B,CA, B, CA,B,C, 2D 点为 a,b,ca, b, ca,b,c,其中小写字母代表的点为大写字母在相机成像平面上的投影。此外, P3P 还需要使用一对验证点,以从可能的解出选出正确的那一个(类似于对极几何情形)。记验证点对为 D−dD−dD−d,相机光心为 OOO。请注意,我们知道的是 A,B,CA, B, CA,B,C原创 2021-09-03 15:41:18 · 3406 阅读 · 1 评论 -
学习QR分解
QR分解是将矩阵分解成一个正规正交矩阵Q与上三角形矩阵R,所以称为QR分解法。该算法对对称矩阵和非对称矩阵都适用。定义:一个矩阵 A∈Rm×n,m≥nA \in \mathbb{R}^{m \times n}, m \geq nA∈Rm×n,m≥n 可以被分解成 A=QRA=Q RA=QR, 其中Q∈Rm×mQ \in \mathbb{R}^{m \times m}Q∈Rm×m 是正交矩阵R≡[R^0]∈Rm×nR \equiv\left[\begin{array}{l}\hat{R} \\ 0\原创 2021-09-03 11:46:31 · 10098 阅读 · 0 评论 -
PnP学习
PnPPnPPnP (Perspective-n-Point) 是求解 3D3D3D 到 2D2D2D 点对运动的方法。它描述了当我们知道 nnn 个 3D3 D3D 空间点以及它们的投影位置时,如何估计相机所在的位姿。前面已经说了, 2D−2D2D-2D2D−2D 的对极几何方法需要八个或八个以上的点对(以八点法为例), 且存在着初始化、纯旋转和尺度的问题。然而, 如果两张图像中, 其中一张特征点的 3D3D3D 位置已知, 那么最少只需三个点对(需要至少一个额外点验证结果)就可以估计相机运动。特征点的原创 2021-09-03 11:28:45 · 300 阅读 · 0 评论 -
李群与李代数
原创 2021-09-02 10:33:21 · 75 阅读 · 0 评论 -
学习 trajectory.txt
打开trajectory.txt,里面的数据代表 time,tx,ty,tz,qx,qy,qz,qwtime,tx,ty,tz,qx,qy,qz,qwtime,tx,ty,tz,qx,qy,qz,qw验证四元数的性质,于是乎import pandas as pdimport csvimport mathfile = r'F:/ORB-SLAM2学习/trajectory/trajectory.txt'tra = pd.read_table(file,header=None,sep = '.原创 2021-09-01 21:20:55 · 444 阅读 · 1 评论 -
理解四元数
定义一个你需要做的旋转。旋转轴为向量v=(vx,vy,vz)v=(v x, v y, v z)v=(vx,vy,vz),旋转角度为 θθθ(右手法则的旋转)。如下图所示:此图中 v=(114,214,314)v=\left(\frac{1}{\sqrt{14}}, \frac{2}{\sqrt{14}}, \frac{3}{\sqrt{14}}\right)v=(141,142,143), θ=π3\theta=\frac{\pi}{3}θ=3π那么与此相对应的四元数(下三行式子都是一个意原创 2021-09-01 17:04:29 · 250 阅读 · 0 评论 -
三维刚体运动 浅记
SO(n)={R∈Rn×n∣RRT=I,det(R)=1}SO(n)=\left\{\boldsymbol{R} \in \mathbb{R}^{n \times n} \mid \boldsymbol{R} \boldsymbol{R}^{T}=\boldsymbol{I}, \operatorname{det}(\boldsymbol{R})=1\right\}SO(n)={R∈Rn×n∣RRT=I,det(R)=1}SO(n)SO(n)SO(n) 是特殊正交群(Special Orthogonal原创 2021-08-31 17:25:49 · 99 阅读 · 0 评论 -
SVD分解
SVD分解先来一道题开开胃W=[405005]W=\left[\begin{array}{lll}4 & 0 & 5 \\ 0 & 0 & 5\end{array}\right] \quadW=[400055] Find W=UΣVT=λ1u⃗1(v⃗1)T+λ2u⃗2(v⃗2)TW=U \Sigma V^{T}=\sqrt{\lambda_{1}} \vec{u}_{1}\left(\vec{v}_{1}\right)^{T}+\sqrt{\lambda_{2}}原创 2021-08-27 20:55:01 · 109 阅读 · 0 评论