SLAM面试笔记(1) -《视觉SLAM十四讲》

已于 2023-10-08 17:28:17 修改
阅读量1.6k 收藏 30
点赞数 9
分类专栏： SLAM项目实战 文章标签： 自动驾驶 面试 计算机视觉
于 2023-03-05 11:14:49 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41921826/article/details/129290695
版权

目录

第2讲：初识SLAM

问题1： 简述经典的SLAM框架

问题2： 视觉里程计的作用和存在的问题

问题3： 后端优化的作用

问题4： 回环检测的作用

第3讲：三维空间刚体运动

问题5：描述四元数的定义

第4讲：李群与李代数

问题6：评价轨迹误差的指标

第5讲：相机与图像

问题7：针孔相机模型与畸变模型

问题8：双目相机模型

问题9：RGB-D相机模型

第6讲：非线性优化

问题10：状态估计问题处理方法分类

问题11：SFM基本概念

第7讲：视觉里程计1

问题12：视觉里程计算法分类和简介

问题13：特征点概念

问题14：几种常用的特征点提取方法

问题15：非极大值抑制

问题16：ORB特征提取过程

问题17：FAST关键点提取过程

问题18：图像金字塔 

问题19：灰度质心法

问题20：BRIEF描述子

问题21：如何计算相机运动

问题22：对极几何求解步骤

问题23：相机位置估计步骤

问题24：本质矩阵的性质

问题25：八点法求解本质矩阵

问题26：对极几何约束的局限性

问题27：初始化的纯旋转问题

问题28：单目SLAM如何获取像素点深度？

问题29：视差的概念

问题30：PnP的概念与求解方法

（1）PnP的概念

（2）PnP的求解方法

问题31：PnP的求解方法中DLT、P3P需要多少对求解点

问题32：P3P求解思路和缺点

第8讲 视觉里程计2

问题28：特征点法的缺点和解决办法

（1）特征点法的缺点

（2）特征点法缺点的解决办法

问题29：直接法简介

问题30：2D光流

问题31：Lucas-Kanade光流

问题32：多层光流

问题33：直接法

（1）直接法的思路

（2）直接法的分类

（3）直接法优缺点

问题34：光流法和直接法的区别？优化的变量是什么？

第9讲 后端1

问题35：滑动窗口法

（1）滑动窗口法定义

（2）滑动窗口法步骤

问题36：共视图

第10讲 后端2

第11讲 回环检测

问题37：回环检测意义

第12讲 建图

问题38：逆深度


 

第2讲：初识SLAM

问题1： 简述经典的SLAM框架

 整个视觉 SLAM 流程包括以下步骤。

  1. 传感器信息读取。在视觉 SLAM 中主要为相机图像信息的读取和预处理。如果是在机器人中，还可能有码盘、惯性传感器等信息的读取和同步。
  2. 前端视觉里程计（ Visual Odometry，vo)。视觉里程计的任务是估算相邻图像间相机的运动，以及局部地图的样子。VO 又称为前端 ( Front End )o
  3. 后端（非线性）优化（Optimization)。后端接受不同时刻视觉里程计测量的相机位姿，以及回环检测的信息，对它们进行优化，得到全局一致的轨迹和地图。由于接在 vO 之后，又称为后端(Back End )。
  4. 回环检测
了解本专栏 订阅专栏 解锁全文 超级会员免费看
几度春风里
关注
  • 9
    点赞
  • 踩
  • 30
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
视觉SLAM十四讲-fmt库文件
03-08
在视觉SLAM十四讲中，fmt库可能被用来格式化输出算法的中间结果、调试信息以及最终的地图表示。例如，它可以用于清晰地显示特征匹配、关键帧状态、位姿估计等信息。此外，fmt库支持模板，使得它能够无缝地与其他C++...
视觉SLAM十四讲-高翔 完整版
08-23
视觉SLAM十四讲-高翔 完整版
SLAM十四讲 高翔
shike951128的博客
05-23 6339
清华大学 2016年冬天 CH1 运动模型，地图模型。环境的鲜艳信息，地图的信息。 基于视觉的机器学习。相机只知道灰度。 书： The Bible: Multiple View Geomery in Computer Vision State Estimation for Robotics: A Maxtrix-Lie-Group Approach Probabilistic Robotics 第一部分 数学基础 三维空间刚体运动 Eigen 李群和李代数 Sophus 非
视觉SLAM十四讲第十讲
weixin_40486179的博客
10-24 986
第十讲：后端 1 本节目标 理解后端的概念。 理解以 EKF 为代表的滤波器后端工作原理。 理解非线性优化的后端，明白稀疏性是如何被利用的。 使用 g2o 和 Ceres 实际操作后端优化。 一、概述 1）状态估计的概率解释 在后端优化中，我们通常考虑一个更长时间内（或所有时间内）的状态估计问题，而且不仅使用过去的信息更新自己的状态，也会用未来的信息来更新自己，这种处理方式不妨称为“批量的”（Batch）。否则，如果当前的状态只由过去的时刻决定，甚至只由前一个时刻决定，那不妨称为**“渐进的”（Incre
SLAM十四讲_学习总结
最新发布
NEON7788的博客
05-16 352
向量外积（叉乘），在数值上，向量a和向量b的外积的模长|a×b|等于以这两个向量为邻边构成的平行四边形的面积即 |a||b|sin\left| a \right|\left| b \right|sin；后端优化主要指处理 SLAM 过程中噪声的问题,端优化要考虑的问题， 就是如何从这些带有噪声的数据中，估计整个系统的状态，以及这个状态估计的不确定性有多大——这称为最大后验概率估计（Maximum-a-Posteriori，MAP) 这里的状态既包括机器人自身的轨迹，也包含地图。
Depth Ranging Performance Evaluation and Improvement for RGB-D Cameras（提升深度测距的性能）
weixin_45371818的博客
09-09 123
1 简介 使用rgbd相机进行室内的深度测距技术已经很成熟了，但是，室外技术由于由于不稳定照明、光面反射、漫反射等所产生的噪声和扰动而有待发展。由此我们提出了一种基于亮度和距离的支持向量回归策略来补偿测距误差。 本文的主要贡献是提供了一个在现场场景下减少照明和距离对RGB-D相机的影响的解决方案。首先是确定不同光照强度下不同作物果实的最佳检测距离和深度测量的精度。其次量化了照明和距离的影响。最后计算深度的填充率。 2 研究方法 本文提出一种新的测距...
2024届SLAMer秋招算法岗面试题总结
slender_1031的博客
05-10 1209
实习、秋招面试真题
RGB-D Camera深度相机主流方案对比
热门推荐
Liyatao1的博客
07-17 1万+
RGB-D Camera深度相机主流方案对比         视觉方案 RGB双目 结构光 TOF 测距方式 被动式 主动式 主动式 工作原理 双目匹配，三角测量 激光散斑编码 发射与反射信号时间差 测量范围 基线限制，中距 0.1m——10m 0.1m——100m 分辨率 中高...
视觉SLAM十四讲学习笔记-第七讲-视觉里程计-PnP和实践
weixin_36773706的博客
03-10 3865
专栏汇总 视觉SLAM十四讲学习笔记-第一讲_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习笔记-第二讲-初识SLAM_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习笔记-第二讲-开发环境搭建_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习笔记-第三讲-旋转矩阵和Eigen库_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习笔记-第三讲-旋转向量、欧拉角、四元数_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习笔记-第三讲-相似、仿射、..
高翔视觉slam十四讲有完整库的代码文件
09-20
高翔视觉slam十四讲有完整库的代码文件 ： 因为高翔视觉slam十四讲文件里面的，3rdparty文件夹下下载下来是空的，所以这里有专门的已经下载好了的文件夹供大家使用，不用再自己下载了，避免因版本不同而编译错误。...
视觉SLAM-slam十四讲源代码
04-20
slam十四讲源代码——SLAM (simultaneous localization and mapping),也称为CML (Concurrent Mapping and Localization), 即时定位与地图构建，或并发建图与定位。问题可以描述为：将一个机器人放入未知环境中的未知...
SLAM十四讲(第二版)所有第三方库库.zip
03-31
SLAM十四讲（第二版）所需库，包括：C e r e s，G 2 O，S o p h u s,D B O W 等等。
《视觉SLAM十四讲》笔记
01-06
1. 视觉SLAM 系统概述 SLAM 是Simultaneous Localization and Mapping 的缩写，中文译作“同时定位与地图构建” 。它是指搭载特定传感器的主体，在没有环境先验信息的情况下，于运动过程中建立环境的模型，同时估计...
SLAM中的位姿与轨迹评价指标:APE、RPE、ATE、RTE
lovely_yoshino的博客
12-31 9628
{T}t}\)，这也就是\(T。
SLAM系统评估公式
Ansel_Lee的博客
07-28 936
已知 SLAM系统估计的相机位姿为P1,...,Pn∈SE(3)\boldsymbol{P}_1,...,\boldsymbol{P}_n\in{SE(3)}P1​,...,Pn​∈SE(3); 相机位姿真实值(ground truth)为Q1,...,Qn∈SE(3)\boldsymbol{Q}_1,...,\boldsymbol{Q}_n\in{SE(3)}Q1​,...,Qn​∈SE(3). 相对位姿误差Relative pose error (RPE) 相对位姿误差通常用于评估视觉里程计。 Ei:=
深蓝-视觉slam-第三讲学习笔记
weixin_46417419的博客
04-07 439
第三讲 李群和李代数 1.群 2.李群和李代数 3.指数映射与对数映射 4.求导与扰动模型 5.实践：Sophus 引入李群和李代数的原因是为了估计相机的运动,相机在时间上的连续运动构成李群，因为在状态估计中需要估计李群的性质，需要引入李群和李代数的概念。 xk的描述可以通过一个旋转矩阵（R）+平移向量（t) 或者**变换矩阵 (T)**来描述; 如果已经知道了一些输入和观测值，如何求出x,y:状态估计问题， 由初始值迭代去计算更好的估计。 (f(R+ Δ\DeltaΔR) - f(R）)/ dR
相对位姿误差（RPE）和绝对轨迹误差（ATE）
JaydenQ的博客
10-05 5046
1. 相对位姿误差（RPE） 用于计算两个相同时间戳上相机位姿的真实值与SLAM系统的估计值之间每隔一段时间位姿变化量之间的差值，也可以理解为位姿真实值与与估计值的实时比较。该标准适合于估计系统的漂移。 2. 绝对轨迹误差（ATE） 直接计算相机位姿的真实值与SLAM系统的估计值之间的差值，首先将真实值与估计值的时间戳对齐，然后计算每对位姿之间的差值，适合于评估SLAM系统的性能。 参考链接：参考文章 ...
视觉SLAM的二维和三维点的特征匹配，位姿估计的方法总结
啥也不懂的研究生也淦SLAM的博客
09-09 2245
视觉SLAM的二维和三维点的特征匹配，位姿估计的方法总结
SLAM系统性能评估：绝对轨迹误差(ATE)和相对位姿误差(RPE)
认真的虎的博客
08-13 1万+
绝对轨迹误差直接计算相机位姿的真实值与SLAM系统的估计值之间的差，程序首先根据位姿的时间戳将真实值和估计值进行对齐， 然后计算每对位姿之间的差值， 并最终以图表的形 式输出， 该标准非常适合于评估视觉 SLAM 系统的性能。 相对位姿误差用于计算相同两个时间戳上的位姿变化量的差， 同样， 在用时间戳对齐之后， 真实位姿和估计位姿均每隔一段相同时间计算位姿的变化量， 然后对该变化量做差， 以获得相...
视觉slam十四讲-ch3
07-01
### 回答1： 《视觉SLAM十四讲》第三章主要介绍了视觉SLAM中的关键技术——特征提取和描述子。本章首先介绍了特征点的概念和特征点的选择原则。特征点即图像中具有鲁棒性和区分度的点，可以通过对其进行检测和描述来进行特征匹配和跟踪。在进行特征提取时，作者介绍了常见的特征检测算法，如Harris角点检测、SIFT和SURF算法等，并对其进行了比较和分析。 接着，本章详细阐述了特征描述子的概念和作用。特征描述子是对特征点周围区域的图像信息进行编码，以实现特征匹配和跟踪。常见的特征描述子包括SIFT、SURF和ORB等。作者从描述子的表示形式、计算方式和匹配方法等方面进行了介绍，并对它们进行了比较和评价。同时，还提到了基于二进制描述子的方法，如BRIEF、BRISK和FREAK等。 在特征匹配方面，本章介绍了特征描述子匹配的基本原理和流程。以基于特征点的视觉SLAM为例，作者详细解释了特征点的匹配过程，包括特征点的选择、特征点描述子匹配和筛选等步骤。并介绍了如何通过验证特征点的三角化和PnP求解来估计相机的位姿。 此外，本章还介绍了一些特定场景下的特征点选择和提取策略，如动态环境下的特征点追踪和关键帧选择等。 综上所述，《视觉SLAM十四讲》第三章主要介绍了特征提取和描述子在视觉SLAM中的重要性和应用。通过对特征点的检测和描述，可以实现特征匹配和跟踪，为后续的相机位姿估计和建图提供基础。该章内容详细且通俗易懂，对于学习和理解视觉SLAM有着重要的指导作用。 ### 回答2： 《视觉SLAM十四讲-Ch3》主要介绍了视觉SLAM（同时定位与建图）技术的基本原理和实现方法。本章主要涵盖了三维几何表示和变换、相机模型和相机姿态以及特征提取与匹配等内容。 首先，本章介绍了三维几何表示和变换的概念。通过介绍欧氏空间中的点、向量和坐标变换，深入解释了相机在三维空间中的位置和朝向的表示方式。同时，引入了齐次坐标和投影矩阵的概念，为后续的相机模型和姿态估计打下了基础。 其次，本章详细讲解了相机模型和相机姿态的原理与应用。其中，介绍了针孔相机模型，分析了图像坐标和相机坐标之间的映射关系。通过投影矩阵的推导，给出了透视投影和仿射投影的公式，并解释了相机焦距和主点的含义。此外，还介绍了如何通过计算相机的外参矩阵来估计相机的姿态，以及如何将图像坐标转换为相机坐标。 最后，本章介绍了特征提取与匹配的技术。首先，介绍了角点和边缘点的概念，以及如何利用差分和梯度计算来检测图像中的角点和边缘点。然后，介绍了如何通过特征描述符来表示图像中的特征点，并通过特征匹配算法找到两幅图像之间的对应关系。特征提取与匹配是视觉SLAM中非常重要的步骤，对于后续的相机定位和建图至关重要。 综上所述，《视觉SLAM十四讲-Ch3》通过系统地介绍了视觉SLAM技术的基本概念和实现方法，包括三维几何表示和变换、相机模型和相机姿态的原理与应用，以及特征提取与匹配的技术。这些内容为读者深入理解和掌握SLAM技术提供了很好的基础。 ### 回答3： 视觉SLAM（Simultaneous Localization and Mapping）是一种通过计算机视觉技术，实现机器智能的同时实时定位和地图构建的方法。在《视觉SLAM十四讲》第三讲中，主要介绍了视觉SLAM的基本概念和关键技术。 首先，讲解了视觉SLAM的理论基础，包括自我运动估计和地图构建两个部分。自我运动估计是通过相邻帧之间的视觉信息，计算相机在三维空间中的运动，从而实现机器的实时定位；地图构建是通过对场景中特征点的观测和跟踪，建立起一个三维空间中的地图。这两个过程相互影响，通过不断迭代优化，实现高精度的定位和地图构建。 接着，讲解了基于特征的视觉SLAM算法。特征提取与描述是建立视觉SLAM系统的关键步骤，通过提取场景中的特征点，并为其生成描述子，来实现特征点的匹配和跟踪。同时，还介绍了一些常用的特征点提取和匹配算法，如FAST、SIFT等。 在SLAM框架方面，本节还介绍了基于视觉的前端和后端优化。前端主要负责实时的特征跟踪和估计相机运动，后端则是通过优化技术，对前端输出的轨迹和地图进行优化求解，从而提高系统的精度和鲁棒性。 最后，本节提到了几个视觉SLAM的应用场景，如自主导航、增强现实等。这些应用对于实时高精度的定位和地图建立都有着很高的要求，因此，视觉SLAM的技术在这些领域有着广泛的应用前景。 总的来说，《视觉SLAM十四讲》第三讲对视觉SLAM的基本概念和关键技术进行了系统的介绍。理论基础、特征提取与描述、SLAM框架和应用场景等方面的内容都给出了详细的解释和案例，有助于读者更好地理解和应用视觉SLAM技术。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

几度春风里

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值