1,三维空间刚体运动: 旋转矩阵,旋转向量,四元素,欧拉角
https://www.cnblogs.com/Lei-HongweiNO11/p/11497361.html
2,关于李代数的学习:
https://www.zhihu.com/question/55901895 为啥需要李群与李代数?
https://www.cnblogs.com/Lei-HongweiNO11/p/11521347.html
3,相机成像模型,
https://www.cnblogs.com/Lei-HongweiNO11/p/11522628.html
6,非线性优化,,可以说slam求解的是一个根据uk,和zkj 来估计xk(位姿) 和yj(地图)的一套理论。。。涉及到多个算法的组合。
7, 视觉里程计,根据深度数据计算相机定位的两个算法,理解PnP和ICP算法。
https://blog.csdn.net/lixujie666/article/details/82262513
1、对极几何(2D-2D)利用两帧图像中n nn对特征点的二维像素坐标,估计相机的相对运动R RR、t tt,它一般只在单目SLAM初始化的时候用到。
2、三角测量利用两帧图像中匹配特征点的像素坐标以及两个相机之间的相对位姿,估计特征点的三维空间坐标,这在单目以及双目(多目)的SLAM中都非常重要。
3、PnP(2D-3D)利用图像中n nn对特征点的二维像素坐标和与之对应的三维空间坐标,估计相机在空间的位置和姿态,是最重要的一种位姿估计方法。
4、ICP(3D-3D)利用n nn对特征点在不同相机坐标系下的三维坐标,估计相机之间的相对位姿,适用于RGB-D SLAM和激光SLAM(从原理上来说)。
5、以上种种,要想得到正确的结果,前提是准确的特征匹配以及理想的相机内参(包括针孔模型参数和畸变参数)。然而事实上,我们得到的往往是有误差或者有噪声的结果,所以通常称前面的工作为前端,因为后面还有很多事情要做,那就是后端的优化——从混乱中找寻真理。