slam菜鸟历程一

今天第一次写博客,把一天学习的内容做个总结。

三维空间的刚体运动描述方式:旋转矩阵,变换矩阵,四元数及欧拉角。

1:旋转矩阵

理解内积和外积的关系



坐标系间的欧式变换描述:相机运动是一个刚体运动,它保证了同一个向量在各个坐标系下的长度和夹角都不会发生变化,这种变换称为欧式变换。

两个坐标之间的关系描述:



2:变换矩阵


      变换矩阵的结构:左上角为旋转矩阵,右侧为平移向量,左下角为0向量,右下角为1.这种矩阵又称为特殊欧式群。 

3:旋转向量和欧拉角

       任意旋转都可以用一个旋转轴和一个旋转角来刻画,可以使用一个方向与旋转轴一致,而长度等于旋转角的向量描述,我们称这个向量为旋转向量。



          欧拉角使用了三个分离的转角,把一次旋转分解称3次绕不同轴的旋转:

         1:绕物体的Z轴旋转,得到偏航角yaw;

         2:绕旋转之后的Y轴旋转,得到俯仰角pitch;

         3:绕旋转之后的X轴旋转,得到滚转角roll;

         记:rpy角的旋转顺序是ZYX,欧拉角会有万向锁问题,丢失一个维度,又被称为奇异性。

4:四元数

     为解决奇异性问题,引入四元数,是一种扩散的复数,既是紧凑的,也没有奇异性。缺点是不够直观,运算稍复杂。一个四元式q拥有一个实部,三个虚部。



四元数常见的运算:四则运算、数乘、求逆、共轭等。

其中四元数到旋转矩阵的转换为:


总结:四元数,旋转矩阵,轴角,都可以用来描述同一个旋转。

第一次写比较乱,未完待续!


  • 2
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
激光SLAM(Simultaneous Localization and Mapping)算法是一利用激光雷达数据进行同时定位和地图构建的技术。它在机器人导航和自主驾驶等领域具有重要应用。下面是激光SLAM算法的发展历程: 1. 早期算法:最早的激光SLAM算法是基于扫描匹配的方法,通过比较两次激光扫描数据的差异来进行定位和地图构建。这些算法包括ICP(Iterative Closest Point)和Scan Matching等。 2. EKF-SLAM:扩展卡尔曼滤波(Extended Kalman Filter,EKF)是一种常用的状态估计方法,被应用于SLAM中。EKF-SLAM通过将机器人的状态和地图的特征同时估计,实现了同时定位和地图构建。 3. RBPF-SLAM:粒子滤波(Particle Filter)是一种基于蒙特卡洛采样的滤波方法,被应用于SLAM中。RBPF-SLAM(Rao-Blackwellized Particle Filter SLAM)将机器人的轨迹和地图的特征分别用不同的粒子表示,通过重采样和更新步骤来实现同时定位和地图构建。 4. Graph-SLAM:图优化(Graph Optimization)是一种基于图模型的SLAM方法。Graph-SLAM将机器人的轨迹和地图的特征表示为图的节,通过最小化误差函数来进行优化。常用的图优化算法包括最小二乘法(Least Squares)、因子图(Factor Graph)和非线性优化等。 5. 基于深度学习的SLAM:近年来,深度学习技术在SLAM中得到了广泛应用。通过使用深度神经网络对激光雷达数据进行特征提取和匹配,可以提高SLAM算法的鲁棒性和精度。

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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