《因子图在SLAM中的应用》中文版解读

最新推荐文章于 2024-03-15 20:35:14 发布
最新推荐文章于 2024-03-15 20:35:14 发布
阅读量6k 收藏 3
点赞数 2
分类专栏： SLAM 机器人感知 因子图 概率论
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39992397/article/details/83550101
版权
SLAM 同时被 3 个专栏收录
6 篇文章 0 订阅
订阅专栏
因子图
3 篇文章 0 订阅
订阅专栏
概率论
2 篇文章 0 订阅
订阅专栏

三个字回答这本书：很不友好！！！

四个字评价这本书：非常不友好！！！

由于iSAM算法理论的权威仰慕而拜读此书，中文版定价52.9，都可以接受

但是可能是作者觉得读者朋友都是数学方面的大神，所以对于大部分公式的推到都是泛泛而谈

也因此整本书才只能有一百多页而不能更多？

对于细节理论的充要解释不足，只是说要这么滴这么滴，但是为什么要这么滴，凭什么这么滴，这么滴的由来，概述不清，甚至没有，这是作为一本科技书籍而非一般综述文章的读者，所感受到的满满的不友好。

 

故此窃以为，这本书只能算作一篇长达一百多页的综述而已。

读起来很烦躁，不接受是本人能力不足造成理解不够，绝壁不接受！

好啦，吐槽完毕，继续啃这本大作……

 

辣屁小心
关注
  • 2
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 9
    评论
专栏目录
SLAM算法-因子图建模
惊鸿一博
09-20 2040
SLAM或者计算机视觉的问题目标是利用观察到的数据(图像,点云)来推理现实世界中的某些事情(全局状态),比如通过连续的视频帧推理相机的运动，比如通过3D点云数据推理机器人的移动状态(位置和姿态)。SLAM和计算机视觉都尝试描述一个用来解决此类问题的数学框架模型。解决此类问题需要三个要素:模型: 在数学上将数据和全局状态关联起来推理:根据数据，利用模型计算全局状态的后验概率学习:利用成对样本和状态，来学习模型参数。
机器人感知：因子图在SLAM中的应用(读书笔记)第一至三章
weixin_44186910的博客
01-27 5282
机器人感知：因子图在SLAM中的应用 第一章：引言 1.首先提出来机器人中的推断问题，SLAM问题是根据先验信息(包括之前时刻的位姿以及已知路标点信息)以及传感器测得信息(测到的路标点信息)这两个进行推断，推断出该时刻的位姿以及未知的路标点位置的问题。 2.在SLAM问题中，我们把观测量的集合设为Z，把未知变量(包括机器人的位姿和未知的路标点位置)用X表示，此时为了得到p(X|Z)这个条件概率密...
【学习随笔】机器人感知-因子图在SLAM中的应用
larrydong的博客
09-30 1102
个人学习总结。
SLAM中的因子图
诗筱涵的博客
03-06 1456
最开始是看这个B站视频说到用因子图可以把整个SLAM问题表示得非常清楚。 https://www.bilibili.com/video/BV1gb411a7bh?from=search&seid=15057309362272648788 转载自：https://blog.csdn.net/weixin_37709708/article/details/101060746 SLAM中的因子图 chenying66 2019-09-20 15:12:10 1699 收藏 10 分类专.
Factor Graphs for Robot Perception.pdf
04-27
We review the use of factor graphs for the modeling and solving of large-scale inference problems in robotics. Factor graphs are a family of probabilistic graphical models, other examples of which are Bayesian networks and Markov random fields, well known from the statistical modeling and machine learning literature. They provide a powerful abstraction that gives insight into particular inference problems, making it easier to think about and design solutions, and write modular software to perform the actual inference. We illustrate their use in the simultaneous localization and mapping problem and other important problems associated with deploying robots in the real world. We introduce factor graphs as an economical representation within which to formulate the different inference problems, setting the stage for the subsequent sections on practical methods to solve them.We explain the nonlinear optimization techniques for solving arbitrary nonlinear factor graphs, which requires repeatedly solving large sparse linear systems. The sparse structure of the factor graph is the key to understanding this more general algorithm, and hence also understanding (and improving) sparse factorization methods. We provide insight into the graphs underlying robotics inference, and how their sparsity is affected by the implementation choices we make, crucial for achieving highly performant algorithms. As many inference problems in robotics are incremental, we also discuss the iSAM class of algorithms that can reuse previous computations, re-interpreting incremental matrix factorization methods as operations on graphical models, introducing the Bayes tree in the process. Because in most practical situations we will have to deal with 3D rotations and other nonlinear manifolds, we also introduce the more sophisticated machinery to perform optimization on nonlinear manifolds. Finally, we provide an overview of applications of factor graphs for robot perception, showing the broad impact factor graphs had in robot perception. （只有第一章内容，我也才发现）
SLAM基础-因子图优化和gtsam应用
最新发布
jjjqqq123321的博客
03-15 2851
SLAM基础-因子图优化和gtsam应用
深度学习在视觉SLAM中应用综述.pdf
08-19
文章《深度学习在视觉SLAM中应用综述》通过总结传统SLAM技术和基于深度学习的SLAM技术的特性与性质，重点介绍了深度学习在视觉里程计和回环检测中的研究成果，并展望了基于深度学习的视觉SLAM的研究发展方向。...
SLAM-中文注释版本的ORB-SLAM2算法实现-算法解释.zip
02-23
SLAM（Simultaneous Localization and Mapping，同时定位与建图）是机器人领域中的核心技术，它允许机器人在未知环境中自主导航并构建环境地图。ORB-SLAM2是SLAM算法的一个重要分支，由Carlos Ortiz和Vicent ...
ORB_SLAM2-Chinese-annotation:ORB-SLAM2中文注释版（适用入门学习）
04-28
ORB-SLAM2（中文注释版） 评论员： 作者： ， ， 和 （ ） 2017年1月13日：现在支持OpenCV 3和Eigen 3.3。 2016年12月22日：添加了AR演示（请参见第7节）。 ORB-SLAM2是用于单目，立体声和RGB-D相机的实时SLAM库...
factor graph model
weixin_33858485的博客
04-27 193
主实验 文慧：用户，商品，评分，review，ranking. 数据集：数据规模，论文源代码 转载于:https://www.cnblogs.com/baiting/p/5439249.html
基于SLAM的机器人的导航算法设计.pdf
08-14
#资源达人分享计划#
因子图模型
04-26
该文件是pdf文档，描述了因子图模型店基本原理以及其具体求解过程
Factor Graphs and GTSAM A Hands-on Introduction
10-20
机器人感知，因子图
关于因子图在SLAM中的应用基础理论总结
秃头队长
08-31 1567
参考文章： 1.张兴学. 基于因子图的多传感器信息融合导航算法研究[D].哈尔滨工业大学,2018. 2.SLAM 中的位姿图优化，BA优化，因子图优化，非线性优化之间的区别 3.因子图的理论基础 4.机器人感知：因子图在SLAM中的应用(读书笔记)第一至三章 SLAM中的定位问题，是根据先验信息（上一时刻的位姿和已知路标点信息）以及传感器的观测值（当前时刻测到的路标点信息），推断出该时刻的位姿以及未知路标点位置。对于这样一个概率推理问题，可通过因子图简化。 因子图是概率图模型的一种表示方式，表示了全局.
SLAM库学习： 从因子图到GTSAM
SLAM小学僧
10-19 3673
SLAM库学习： 从因子图到GTSAM一、从贝叶斯网络到因子图优化1. 贝叶斯网络2. 因子图3. 非线性最小二乘问题4. 线性最小二乘问题(1) QR分解(2) Cholesky 分解二、iSAM2三、GTSAM实战 一、从贝叶斯网络到因子图优化 1. 贝叶斯网络 分析上图的贝叶斯网络，机器人状态x0x_0x0​、x1x_1x1​、x2x_2x2​、x3x_3x3​满足一阶马尔科夫性；空间中存在路标l1l_1l1​、l2l_2l2​、l3l_3l3​；而z1z_1z1​到z8z_8z8​分别代表了在机器
机器人概率定位学习笔记第二篇_使用python建立机器人感知函数（sense fuction）
天空中的太阳和月
09-28 1461
本笔记学习于优达学城 Artificial Intelligence for Robotics课程 1,用python实现一个Uniform Probability 均衡概率数组，五个概率。 answer: p=[] n=5 for i in range(0,n): p.append(1.0/n) print p 2,先看下图 假设世界有5个方格，机器人在哪个方格的概率是一样的
《机器人SLAM导航核心技术与实战》先导课：SLAM的应用价值与技术难点
小虎哥哥爱学习-CSDN
06-07 1893
我给大家建议的研究方向： 发现新应用领域：水下SLAM应用、手动编辑SLAM地图、SLAM云计算化 软件工程的优化：去ROS化、裸机级SLAM、跨平台兼容 改进SLAM某些功能模块：特征提取新方法、闭环检测可靠性、持久化建图机制 多传感器融合：传感器标定、时间戳同步、去干扰数据、数据关联 AI+SLAM：端到端SLAM、语义SLAM、特征工程 克服异常场景：玻璃障碍物、传感器盲区、光照变化、上下坡问题...
因子图学习笔记其一
泠山的博客
10-19 769
为了使机器人在现实世界中灵活地运动，需要基于先验知识，通过其传感器推断出关于外部世界的信息。在 SLAM 问题中，目标是利用机器人传感器收集到的信息对机器人自身进行定位。在简单的情况下，传感器测量到的信息可能是的方位。如果路标点位置已知，那么这个问题就退化为一个经典的三角化问题-----船在海上如何进行导航。然而，SLAM 问题中的难点在于，无法提前知道路标点的位置，因此，不得不在利用已有地图进行定位的同时，建立新的地图(意思是又要建图，又要在已有地图上定位吧)。由于测量具有不确定性，所以我们不可能恢复出外
图像去畸变技术在视觉SLAM中的应用
但在实际应用中，尤其是使用广角或鱼眼镜头时，这种模型不能完全描述真实情况，因为镜头会引入径向畸变和切向畸变。 径向畸变通常导致远离图像中心的点沿径向扭曲，使得直线看起来弯曲。切向畸变则会导致图像在水平...
评论 9
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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