![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
SLAM
手持电烙铁的侠客
每天运动一小时,健康工作40年
展开
-
octomap
关于octomap occupy 参数调节原创 2023-01-18 16:52:20 · 902 阅读 · 0 评论 -
极线几何相关
对极几何,为什么会叫极线, epiploar line, 因为叫极的,都是相交的地方,比如地球的南极和北极,他们是经线相交的地方。原创 2022-11-26 14:10:31 · 84 阅读 · 0 评论 -
Direct Sparse Mapping reading notes -- Initialization
第二步就以第一帧为reference, 求 Rt. 这个Rt, 是无scale的。两个步骤,第一步是判断是否所有关键帧为空,如果是,就把它设置为第一帧。当前帧进来,使用光流法,进行匹配点寻找;这里是不考虑曝光因素的,只是算出了pose。把三维点给恢复出来,同时优化曝光误差。原创 2022-11-02 16:18:35 · 266 阅读 · 0 评论 -
Direct Sparse Mapping reading notes -- trackFrame
Direct Sparse Mapping reading notes -- trackFrame原创 2022-11-02 10:42:36 · 112 阅读 · 0 评论 -
State Estimation For Robotics - 7
状态机器人 阅读笔记原创 2022-10-29 15:14:52 · 90 阅读 · 0 评论 -
Direct Sparse Mapping reading notes -- visualization
涉及到qt的部分,都写在QtVisualizer中。DSM的代码结构比较好,在可视化部分体现得比较明显。原创 2022-10-29 11:17:35 · 85 阅读 · 0 评论 -
Direct Sparse Mapping reading notes -- keyframes
Direct Sparse Mapping reading notes -- keyframes原创 2022-10-27 20:07:34 · 357 阅读 · 0 评论 -
Direct Sparse Mapping reading notes -- createKeyframeAndOptimize
Direct Sparse Mapping reading notes原创 2022-10-25 20:41:32 · 326 阅读 · 0 评论 -
位姿评价-evo
evo轨迹评估工具使用原创 2022-10-19 10:52:14 · 87 阅读 · 0 评论 -
Direct Sparse Mapping reading notes
Direct Sparse Mapping reading notes原创 2022-10-26 10:10:29 · 262 阅读 · 0 评论 -
stereo matching calibration
stereo matching calibration原创 2022-10-11 21:33:00 · 51 阅读 · 0 评论 -
fisheye stereo matching
CVG @ ETHZ - PlaneSweepLibhttps://people.inf.ethz.ch/pomarc/pubs/Haene3DV14.pdfhttps://arxiv.org/pdf/1909.07545.pdfReal-Time Variational Fisheye Stereo without Rectification and Undistortion原创 2022-10-11 21:32:28 · 131 阅读 · 0 评论 -
plane detection
看起来效果不错平面版本的。原创 2022-10-11 21:32:01 · 145 阅读 · 0 评论 -
ESM 跟踪
对ESM做了x86的AVX优化,x86平台常见的优化方式是SSE与AVX优化。还不错,有code.原创 2022-10-10 20:01:32 · 181 阅读 · 0 评论 -
Stereo Matching
stereo matching原创 2022-10-10 20:00:09 · 733 阅读 · 0 评论 -
OpenGV
opengv原创 2022-09-30 18:51:58 · 1023 阅读 · 0 评论 -
基于内容的图像检索
一个简单的图像检索引擎。原创 2022-09-28 10:50:14 · 87 阅读 · 0 评论 -
视觉SLAM十四讲_4李群与李代数
每一个李群都有与之对应的李代数,李代数描述了李群单位元数的正切空间性质三维空间向量 +R3R^3R3+ 叉乘运算 构成李代数其中,这个里面证明ϕ\phiϕ是一个单位向量与模长相乘,那么就可以说明它就是旋转向量。原创 2022-09-17 17:01:22 · 370 阅读 · 0 评论 -
SVO相关博客
SVO2.0论文很早就出来了,但是代码是21年10月才出来,从github看还一直在更新,最近的更新是27天前。3. SVO的跟踪,借鉴的主要就是LSD中的rgbd tracking。4. DepthFilter中有个inlier的概率,是其主要特色。2. 2016年作者用的开源版本,还是没法用的,不太行。1. svo的前端计算性能,是最好的。...原创 2022-08-31 20:02:24 · 758 阅读 · 0 评论 -
Quaternion kinematics for the error-state Kalman filter
一种比较有吸引力的克莱迪克森定义四元数的方式:用例两个复数,去定义一个新的四元数。定义了纯四元数的概念单位长度的复数可以表示2D的旋转,同样的,单位长度的四元数,可以表示3D的旋转,这样就引出了本文为什么要介绍四元数了,因为我们就是要表示旋转啊。......原创 2022-08-20 16:35:16 · 303 阅读 · 0 评论 -
误差卡尔曼中的四元数运动学-第二章
公式54的向量旋转公式,是从向量分解的角度推导来的,对于一个旋转来说,就是可以分解为垂直方向和平行方向。在机器人中,刚体的旋转是非常常见的,需要用旋转来刻画它。定义的旋转需要满足:向量的模长不变、两个向量之间的夹角不变,向量之间的相对朝向不变。表一给出的是旋转矩阵以及其四元数表示,具体每一个的性质会在下面的章节中给出。为什么可以用旋转矩阵来表示旋转,因为旋转的过程都是向量和实数的相乘,都是线性的。通过RTR=IR^TR = IRTR=I的性质,两边同时取倒数,可以得到R的倒数。公式68. 当把对时间倒原创 2022-06-28 16:50:17 · 272 阅读 · 0 评论 -
误差卡尔曼中的四元数运动学-第一章
误差卡尔曼中的四元数运动学四元数的定义繁多,由凯里迪克森创建的一种定义我认为是比较有吸引力的。首先我们有两个复数,A=a+bi,C=c+diA = a + bi, C = c + diA=a+bi,C=c+di. 现在增加一个自由度,令:Q=A+CjQ = A + CjQ=A+Cj. 同时令:k=ijk = ijk=ij, 这样就生成了四元数空间。从公式1的定义中可知,实数、虚数、实虚数组合,都是属于四元数的子空间。值得注意的是,不同的作者会定义不同的四元数,有的人把实数虚数的位置放得不一样。matlab中原创 2022-06-26 10:18:09 · 444 阅读 · 0 评论 -
四元数的可视化
观点1:复数是实数的二维延伸,四元数是复数的四维延伸。观点2:四元数在之前是没有什么应用的,但是近年来在图像学、机器人和量子计算中有重要应用。其计算效率比其他表示方式要高效。观点3:四维右手法则,是作者首创的。当两个复数相乘的时候,可以把z看成一个函数,将坐标轴进行旋转,得到的一个新的坐标。 因为2D的旋转本质上只有一个自由度,因此可以将2D旋转映射到一个维度上来。球极投影就可以做这个事情。 以i为例,将其进行旋转观点四:i作用四次,回到了原点,因此i的四次方=1。绕着j轴旋转,在平面上看起来是拉伸的效果,原创 2022-06-25 22:20:10 · 582 阅读 · 0 评论 -
论文阅读《LOAM:Lidar Odometry And Mapping in realtime》
论文阅读《LOAM:Lidar Odometry And Mapping in realtime》本文的主要贡献在于,提供了一个可以实时,效果较好的激光里程计与建图框架。相当于两个节点,一个10hz的里程计节点,一个1hz的建图节点步骤一:特征点提取,两要两不要两要:边缘点,平面点。两不要:有些点容易引入误差,在采样的时候要尽量避免,一类是与激光束近似平行的点,一类是随着遮挡,变化剧烈的点。上图a中的B点与图b中的A都,都是属于不好的点,应该筛除掉。步骤二:运动估计对每一帧的激光数据的位姿进原创 2021-04-05 17:18:19 · 198 阅读 · 0 评论 -
在ceres中使用eigen quaternion作为优化参数
ceres中支持定义Eigen::Vector<T, n, 1> 这种类型,因此只需要将四元数的初始值(x0, y0, z0, w0)传进来,然后使用Eigen::Quaternion<T, 4, 1> 构造一个quaternion,然后后续的操作就是跟旋转矩阵一样了。template <typename T> bool operator()(const T *q, const T *t, T *residual) const { Eigen::Matrix原创 2022-03-27 16:51:04 · 815 阅读 · 0 评论 -
Error-State Kalman Filter教程(一)
文章目录一、目标参考一、目标使用error-state滤波方法,参考MSCKF那些事(四)算法详解2:数学基础 这里面说了几种协方差更新的形式,对应着不同的正定状态。...原创 2020-03-27 09:37:47 · 4603 阅读 · 4 评论 -
2019年SLAM进展跟踪
文章目录一、Visual SLAM一、Visual SLAMOn-SE(2) Localization and Mapping for Ground Vehicles by Fusing Odometry and Vision针对二维平面的车辆,从视频上看,pose是二维的,features是三维的,非常适合平整地面的车辆定位。有代码;有代码,比较不错。...原创 2020-03-17 21:13:54 · 414 阅读 · 0 评论 -
贝叶斯滤波与平滑(1-3)
第四章、贝叶斯滤波方程及精确解Note: 2020年第三本书原创 2020-03-17 11:08:44 · 1389 阅读 · 0 评论 -
惯性导航仿真数据(二)
本文对惯性导航真值生成工具Aceinna进行深入分析。一、轨迹生成初始点的选择当初始点选择在原创 2020-02-27 11:13:59 · 1767 阅读 · 0 评论 -
惯性导航仿真数据
简单明了的数据集是理解该问题的重要一点,而找了一些开源的数据集,要么太复杂,要么描述不清楚.在本文中,我选择使用ROS Gazebo来生成数据.供后续算法使用.三维环境下的数据使用无人机模拟器,见参考1-2.二维环境下的数据使用Turtlebox.下面记录了具体的数据采集过程.运行Turtlebox仿真.运行rosbag record -a, 记录所有topic.运行时间对齐脚本.参...原创 2019-06-12 08:51:50 · 5929 阅读 · 0 评论 -
惯性导航(二)
接着上一个博客组合导航(一)中二维的例子,本文讲解三维下的组合导航,即六自由度的姿态估计。一,坐标与数据导航坐标选取北东地坐标系。 GPS的原始坐标系即是北东地。首先将GPS的原始数据显示如下:陀螺仪数据:(1) Yaw角速度,反应了车身的航向,将GPS的北东方向的速度与角速度对比显示,如下:...原创 2020-02-27 11:18:22 · 695 阅读 · 0 评论 -
惯性导航(三)估计偏置
真实的IMU都会有较大的偏置,在位姿估计中,会有累积效应,因此估计偏置是惯性导航中的常用做法。一、状态时空模型1、状态向量定义、预测模型惯性导航方程描述的是估计变量与IMU量测值之间的关系,首先将加速度计观测到的局部观测值,转换到全局坐标系下去:aG=R(aL−ab)a^G = R(a^L - a_b)aG=R(aL−ab)其中aLa^LaL是2D的局部加速度, aba_bab是偏置...原创 2020-03-02 17:05:13 · 1471 阅读 · 0 评论 -
2020年SLAM进展跟踪
2020年关于三维重建方面的重要论文原创 2020-03-08 16:37:45 · 1672 阅读 · 0 评论 -
静态二值贝叶斯滤波
文章目录结论参考文献结论静态二值贝叶斯滤波解决了两个问题:当类似然概率p(z|x)不容易求时,运用该方法可以进行概率的计算。如当观测z是图像等高维信息,或者黑盒信息。当然,任何一种方法都有其局限性与缺点:因为推导过程中使用了二值假设,因此该方法不再能应用于点估计了,只适用于二值估计中的概率计算。参考文献笔记占据栅格地图<Probabilistic Robo...原创 2020-03-05 16:43:44 · 1352 阅读 · 1 评论 -
状态估计、计算机视觉经典书籍
多视角几何Optimal FilterState EstimationStochastic Models, Estimation, Control原创 2020-02-22 11:48:31 · 414 阅读 · 0 评论 -
卡尔曼滤波常识
常见的状态预测方程有哪几种?预测方程反应的是你对平台的一个先验知识,常见的有:平台保持位置不变,那么就是xt+1=Xtx_{t+1} = X_{t}xt+1=Xt.如果是匀速直线运动(前面的),X=[x,v]TX = [x, v]^TX=[x,v]T; Xt+1=FXtX_{t+1} = FX_{t}Xt+1=FXt, 其中F=[1,1;0,1]F = [1,1; 0, 1]...原创 2020-01-16 22:19:40 · 262 阅读 · 0 评论 -
惯性导航(一)
本文以二维为例,讲解组合导航(IMU与GPS传感器融合)。一,坐标系与数据如下图所示为GPS的轨迹图,(运行utility/showgps.m), 横坐标x为东向,纵坐标为北向.如下图所示为imu的波形图,可以看出50s处(从上图中看出,车辆右转),角速度为负,局部坐标系应是x朝右,y超前,顺时针为负.二,惯性导航方程惯性导航的三大优势:不受外界干扰高频6自由度估计惯性导...原创 2019-06-05 21:36:31 · 15108 阅读 · 0 评论 -
一文看尽2019年三维重建进展(待完善)
ICCV 2019CVPR 2019IROS 2019ReFusion: 3D Reconstruction in Dynamic Environments for RGB-D Cameras Exploiting Residuals是Cyrill Stachniss(西里尔·斯塔克尼斯)的文章,使用RGBD相机进行动态场景重建。ICRA 2019参考文献https://www...原创 2020-01-29 15:49:45 · 1277 阅读 · 0 评论