- 博客(12)
- 收藏
- 关注
原创 ISAM1代码解析
继承自Element和Factor,用于表示因子图中节点间的测量信息,成员变量有:ptr_cost_func, _next_id, _deleted, _noise, _nodes。这个类就是我们常用的雅可比矩阵,但这个是小雅可比矩阵,一个Jacobian与一个Factor相对应,其中的成员变量为:_dimtotal, _terms, _residual;这个类用于存储稀疏R矩阵中的每一行,并且只保存非零项,成员变量有:_nnz, _nnz_max, _indices, _values。
2024-08-18 18:11:34
598
原创 GTSAM源码解析 第二讲:GTSAM中的各种基础类
GTSAM中大量运用了模版、继承和多态,因此各种类之间的关系也是错综复杂。本篇文章主要是讲解GTSAM中各种类之间的关系,即各种类之间的继承关系。为了简化起见,各种模版信息被省略了,并且每个类只写了成员变量,没有详细介绍各个成员函数以及每个类的意义,这个坑留着以后再补。
2023-09-10 18:44:39
455
1
原创 GTSAM源码解析 第一讲:GTSAM中用到的各种树
GTSAM还没有完全读完,所以可能会有错误的地方,请大家多多指教,另外很多内容还不够细致,后续会进行填充。
2023-09-10 00:47:24
271
1
原创 Chapter 6 Positive Definite Matrices
Chapter 6 Positive Definite Matrices6.1 Minima, Maxima, and Saddle pointsF(x,y)=7+2(x+y)2−ysiny−x3 f(x,y)=2x2+4xy+y2
2022-02-01 13:24:58
1705
原创 Chapter 5 Eigenvalues and Eigenvectors
Chapter 5 Eigenvalues and Eigenvectors5.1 Introductionconsider the coupled pair of equationsdvdt=4v−5w, v=8 at t=0,dwdt=2v−3w, w=5 at t=0,(1)\begin{aligned}\frac {dv} {dt} =
2022-02-01 13:24:23
1311
原创 Chapter 3 Orthogonality
Chapter 3 Orthogonality3.1 Orthogonal Vectors and Subspacesthe length ∣∣x∣∣||x||∣∣x∣∣ in RnR^nRn is the positive square root of xTxx^TxxTx:Length square ∣∣x∣∣2=x12+x22+⋯+xn2=xTx(1)\text{Length square } \ \
2022-02-01 13:23:27
1557
原创 Chapter2 Vector Spaces
Chapter2 Vector Spaces2.1 Vector Spaces and SubspacesA real vector space is a set of vectors together with rules for vector addition and multiplication by real numbers.A vector space need to satisfy eight rulesDefinition. A subspace of a vector space
2022-02-01 13:21:28
522
原创 Chapter1 Matrices and Gaussian Elimination
Chapter1 Matrices and Gaussian Elimination1.1 introductionwe want to explain four deeper aspects in this chapter:linear equations lead to geometry of planeswe move to matrix notation, writing the nnn unknowns as a vector xxx and the nnn equations as A
2021-11-04 03:51:06
216
原创 VISSLAM室内停车场车位语义SLAM
AbstractFeatures used in existing SLAM systems are often dynamically movable, blurred and repetitively textured. By contrast, semantic features on the ground are more stable and consistent in the indoor parking environment. Due to their inabilities to per
2021-10-23 04:22:22
1099
2
原创 SLAM问题如何转换成最小二乘问题
本文按照个人理解,从运动方程和观测方程的角度, 分析了如何将SLAM问题转换成最小二乘问题最大后验和最大似然首先是最大似然和最大后验的概念.在非线性优化中,把所有的待估计变量放在一个状态变量中:x=[xP1,⋯ ,xPn,xM1,⋯ ,yMm]T,其中,xP表示位姿和xM表示地图x=\left[{x_{P1},\cdots,x_{Pn},x_{M1},\cdots,y_{Mm} }\right]^\mathrm{T}, \\其中, x_P表示位姿和x_M表示地图x=[xP1,⋯,xPn,x
2021-09-16 23:26:35
217
原创 后端优化-----投影模型和BA代价函数
后端优化-----投影模型和BA代价函数先考虑相机投影模型:空间中一点PPP在世界坐标系中的坐标为Pw=[Xw,Yw,Zw]T P_w=[X_w,Y_w,Z_w]^T\,Pw=[Xw,Yw,Zw]T,世界坐标系到相机标系的变换矩阵矩阵为Tcw=[Rcw,tcw]T_{cw}=[R_{cw},t_{cw}]Tcw=[Rcw,tcw],由此可得空间中一点PPP的相机坐标下的坐标P′P^{'}P′为:P′=RcwPw+tcw=[X′,Y′,Z′]T .P^{'}=R_{cw}P_w+t
2021-01-19 21:03:11
381
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人