weixin_38117861的博客

https://www.cnblogs.com/21207-iHome/p/6894128.html

https://blog.csdn.net/qq_33168256/article/details/82950222

滑膜控制最强解析：https://zhuanlan.zhihu.com/p/78549442PID与滑膜个人看法仅供参考，pid和滑模都是用来设计控制器的方法，两者都可以让系统保持稳定，但设计思想不一样，无太大关联。因为不需要系统模型，pid在工程应用广泛，缺点调参比较麻烦。由于滑模方法的设计必须基于系统的数学模型，而系统的建的数学模型与真实系统的物理特性往往存在误差，常常导致滑模设计的控...

https://linhuican.gitbooks.io/matlab-ros/3.2%E5%B7%AE%E5%8A%A8%E6%9C%BA%E5%99%A8%E4%BA%BA%E7%9A%84%E8%B7%AF%E5%BE%84%E8%B7%9F%E8%B8%AA.html

https://www.bilibili.com/video/av95061714?p=4

https://www.bilibili.com/video/av95061714?p=380:19

求矩阵的左零空间：https://ww2.mathworks.cn/help/matlab/ref/double.svd.html

https://github.com/TurtleZhong/msckf_mono

https://blog.csdn.net/danmeng8068/article/details/80608863

https://www.ncnynl.com/archives/201702/1385.htmlhttps://gaoyichao.com/Xiaotu/?book=ros&title=Turtlebot_%E4%BD%A0%E5%A5%BD

http://emanual.robotis.com/docs/en/platform/turtlebot3/getting_started/#first-steps-for-using-turtlebot3

OKVISHarris角点检测：VINS-MONOORB特征：Oriented-Fast（关键点）+BRIEF（描述子）Oriented-Fast：问题：1. 角点扎堆；2. 特征点数量太多。解决方法：1. 非极大值抑制，领域内保留响应大的点；2. 计算Harris角点响应，筛选出响应大的点。再优化：为了更高效，对于每个像素，直接检测1，5，9，13个像素的亮点。缺点：缺少...

OKVIS 代码也是按照 preintegration 的思路将前后帧 IMU 测量值做积分，因为积分会用到 IMU 的 bias，而 bias 是状态量，每次迭代时是变化的。所以，每次迭代时，会根据状态量相对于 bias 的雅可比重新计算预积分值，当 bias 变化太大时，不能再用雅可比近似计算预积分值，这时会根据 IMU 测量值重新积分。沈老师的 VINS 系统也是这个思路。——https:...

补充知识：qa⊗qb=R(qb)qa=[sbzb−ybxb−zbsbxbybyb−xbsbzb−xb−yb−zbsb][xayazasa]q_a \otimes q_b = R(q_b)q_a=\left[\begin{array}{cccc}{s_{b}} & {z_{b}} & {-y_{b}} & {x_{b}} \\{-z_{b}} & {s_{b}}...

https://zhuanlan.zhihu.com/p/34995102

https://note.youdao.com/ynoteshare1/index.html?id=5e98f487c40ef22f90e1177f29271be5&type=note?auto

特征匹配后：对极约束（p1t∧Rp2=0p_1t ^\wedge R p_2 = 0p1​t∧Rp2​=0）求ttt和RRR；（2D-2D）三角测量求解空间点的深度sis_isi​，其中iii表示第iii帧图像。

滤波代表：EKF优点：计算资源受限、待估计量比较简单的情况下，EKF为代表的滤波方法比较有效；缺点：它的一个大缺点就是存储量和状态量是平方增长关系，因为存储的是协方差矩阵，因此不适合大型场景。非线性优化代表：图优化以BA为核心的非线性优化，因为稀疏的原因，能够实现实时。...

https://www.bilibili.com/video/av86463861Hessian or Fisher Matrix:作用：用这个矩阵（绿色框）的最大或最小特征值等信息度量状态估计的质量。

https://mp.weixin.qq.com/s?__biz=MzI5MTM1MTQwMw==&mid=2247485899&idx=1&sn=7d00729b0c467ff62933c4708615f0c9&chksm=ec10b7cfdb673ed966b285177ef157670ed5f020bd45827ac8dd6b0c945aff0c0f7843e...

https://zhuanlan.zhihu.com/p/46286217

rs-sensor-control

feature_tracker_node:img_callback(), 一个线程estimator_node:poccess(), 包括：IMU预积分、初始化和local BAloop.detection()pose_graph()，全局优化

EEE为本质矩阵，FFF为基本矩阵。先用八点法求EEE, 后用SVD分解求ttt和RRR。注：纯旋转无法用EEE求解ttt和RRR。特征点共面或者发生纯旋转时，八点法会退化（基础矩阵自由度下降？）：此为平面的点法式方程。ppp为像素坐标。...

前端：LKLKLK光流法：利用灰度不变性假设，计算出u0′u'_{0}u0′​、u1′u'_{1}u1′​：u、v为像素点在x、y轴上的速度。后端：

补充一句：位姿图优化在实际中貌似用得不多，一般是闭环检测后得到一个位姿约束再进行位姿图优化吧。不知道还有没有别的地方用到。转自：https://www.zhihu.com/question/291275949...

将坐标统一在C0C_0C0​坐标系下：

框架：https://mp.weixin.qq.com/s?__biz=MzIxOTczOTM4NA==&mid=2247486858&idx=1&sn=ce458d5eb6b1ad11b065d71899e31a04&chksm=97d7e81da0a0610b1e3e12415b6de1501329920c3074ab5b48e759edbb33d264a73f...

说明：q=θ?q = \theta?q=θ?摘自：VINS论文推导及代码解析。重要的内容：摘自：State Estimation for Robot。

四元数速查手册[https://aipiano.github.io/2019/01/11/%E5%9B%9B%E5%85%83%E6%95%B0%E9%80%9F%E6%9F%A5%E6%89%8B%E5%86%8C/]四元数求导

2.4 VIO的优势VIO（visual-inertial odometry）即视觉惯性里程计，有时也叫视觉惯性系统（VINS，visual-inertial system），是融合相机和IMU数据实现SLAM的算法，根据融合框架的区别又分为紧耦合和松耦合，松耦合中视觉运动估计和惯导运动估计系统是两个独立的模块，将每个模块的输出结果进行融合，而紧耦合则是使用两个传感器的原始数据共同估计一组变量...

世界坐标、归一化平面、成像平面之间的关系：1、2、

叉积与反对称矩阵：x⃗=(x1,x2,x3)\vec{x} = (x_1, x_2,x_3)x=(x1​,x2​,x3​), x ^=[0−x3x2x30−x1−x2x10]x\hat{\ }= \left[ \begin{matrix} 0 & -{{x}_{3}} & {{x}_{2}} \\ {{x}_{3}} & 0 & -{{x}_{1...

滤波与优化：因为基于滤波的理论，滤波器稳度增长太快，这对于需要频繁求逆的EKF（扩展卡尔曼滤波器），PF压力很大。而基于图的SLAM，通常以keyframe（关键帧）为基础，建立多个节点和节点之间的相对变换关系，比如仿射变换矩阵，并不断地进行关键节点的维护，保证图的容量，在保证精度的同时，降低了计算量。摘自：https://www.cnblogs.com/zengcv/p/5994587.ht...

视觉slam分为前端和后端，前端也叫视觉里程计（VO），他根据相邻图像信息粗劣估计相机运动。VO根据是否用到特征点分为直接法和特征点法。特征点由关键点和描述子构成，关键点好理解，描述子则为关键点周围的信息。这里介绍其中一种特征点，ORB（Oriented Fast and Rotated BRIEF(Binary Robust Independent Elementary Featrue)）：...

与滤波方法是两种分支。解决的问题：状态估计问题状态方程：

推导：参考https://www.cnblogs.com/ycwang16/p/5995702.html用到的重要公式：全概率公式：离散：p(x)=∑yp(x,y)=∑yp(x∣y)p(y)p(x) = \sum\limits_y {p(x,y)}=\sum\limits_y {p(x|y)p(y)}p(x)=y∑​p(x,y)=y∑​p(x∣y)p(y)连续：p(x)=∫p(x,...