状态估计
文章平均质量分 84
木独
Be honest with yourself
展开
-
采用逆深度参数表达的BA问题导数推导
采用逆深度参数表达的BA问题导数推导由于大部分的slam算法均采用逆深度参数表达地图点的结构,但是网上对该方法的介绍比较少因此本文将详细说明其推导过程。逆深度参数表达具有优化变量少、能表达非常远的点以及分布接近高斯分布等优势,这也是大家选择逆深度参数的原因。图结构表达从上图可以看出一个约束项Ep12E_{p_{12}}Ep12连接三个节点分别是当前帧、参考帧和逆深度参数表达的地图点。这是因为在逆深度参数的表达下需要当前帧、参考帧位姿及地图点才能共同确定误差函数,这将在下文中看到。优化节点原创 2020-06-28 22:34:33 · 1485 阅读 · 0 评论 -
g2o学习笔记(二):Bundle Adjustment 应用
Bundle Adjustment预备知识:g2o学习笔记(一):曲线拟合Bundle Adjustment简述1. 问题定义已知:一系列图片以及图片内对应的特征点匹配关系图片: 特征点:待求:特征点的3d位置以及图片对应的相机位姿3d点位置: 相机位姿:2. g2o相关API介绍3. 代码实现4. 小结...原创 2020-06-21 13:33:06 · 1311 阅读 · 1 评论 -
g2o学习笔记(一):曲线拟合
前言:g2o对于slam等问题来说十分的重要,将一个slam问题构建成图结构表达的优化问题是目前大多数的slam算法的通用做法。之前在学习了高博对g2o的讲解后至今感觉意犹未尽,表现在对于简单问题能够理解其含义而在slam问题中构建的各种复杂的优化问题则感到无力,因此决定按照g2o源码给出的实例系统的学习g2o库的使用。预备知识:《视觉slam14讲》ch6部分博文风格:由于这是第一篇博客,先介绍撰写博客时的思路。首先介绍每篇博客需要求解的问题定义,然后介绍使用到的g2o接口最后便是源码剖析。曲原创 2020-06-20 18:49:10 · 1076 阅读 · 1 评论 -
A Robust and Easy to Implement Method for IMU Calibration without
误差模型来源:零飘随机游走三轴不绝对垂直白噪声三轴测量灵敏度不一坐标系建立加速度计:原始传感器坐标:AF(不正交)正交传感器坐标:AOFAOF确定规则x轴AOF和AF相同y轴AOF在AF的x,y构成的平面内z轴为x,y叉乘陀螺仪:原始传感器坐标:GF(不正交)正交传感器坐标:GOF载体坐标系:BF=AOF误差模型确定三轴不垂直对于小角度的不垂直,可采用如下的表达(参考文献18)sB=TsST=[1−βyzβzyβxz1−βzx−βxyβyx1]s原创 2020-06-19 16:26:24 · 628 阅读 · 0 评论 -
g2o:一种通用的图优化框架(g2o a general framework for graph optimization)
凸优化最常用库之一g2o原始论文的翻译工作翻译 2020-05-07 21:05:36 · 2699 阅读 · 1 评论 -
粒子滤波器的Matlab实现
前言:粒子滤波器相较于卡尔曼滤波器或者UKF无迹卡尔曼滤波器而言,可以表达强非线性的变换且无需假设后验分布为高斯分布,在描述多峰分布时具有非常大的优势。粒子滤波器被广泛的应用于机器人系统中,如著名的Gmapping算法便是在粒子滤波器的基础上实现的,但是当前网络中对粒子滤波器的描述往往浅尝则止或长篇大论,导致学习起来往往是了解大概流程而不懂实际代码实现,无法应用于自己机器人中或困于理论推导。因此本...原创 2020-05-03 18:16:34 · 4634 阅读 · 1 评论 -
卡尔曼滤波器的数学推导
前言:这可能是网上最数学化的推导了,相较于其他的推导方法在数学上更加完备,这意味着对于其他的非线性滤波器如EKF或者信息滤波器IF很多其他地方都可以采用同样的方法进行推导,一通百通。本文的卡尔曼滤波器的推导从最基础的概率论中的贝叶斯准则和全概率公式推起,一步一步的完成卡尔曼滤波器,适合对卡尔曼有一定概念上的理解希望深入学习滤波器方法的同学。卡尔曼滤波算法μˉt=Atμt−1+Btut\bar...原创 2020-04-29 23:01:58 · 883 阅读 · 1 评论