![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
SLAM
菜菜的阿远
这个作者很懒,什么都没留下…
展开
-
相似、仿射、射影变换
关于齐次坐标:https://blog.csdn.net/zhuiqiuzhuoyue583/article/details/95228010https://blog.csdn.net/zhuiqiuzhuoyue583/article/details/95230246齐次坐标就是将一个原本是n维的向量用一个n+1维向量来表示。引入齐次坐标的目的主要是合并矩阵运算中的乘法和加法,表示为x=P∗X的形式。即它提供了用矩阵运算把二维、三维甚至高维空间中的一个点集从一个坐标系变换到另一个坐标系的有效方法。原创 2020-11-12 22:27:54 · 101 阅读 · 0 评论 -
linux操作符汇总
查看文件信息:lsls是英文单词list的简写,其功能是列出目录的内容,“.”代表当前目录,“…”代表上一级目录参数含义-a显示指定目录下所有子目录与文件,包括隐藏文件-l以列表的方式显示文件的详细信息-h配合-l以人性化的方式显示文件大小切换工作目录:cd在使用linux时,经常需要切换工作目录,cd命令可以帮助用户切换工作目录,区分大小写命令含义cd切换到当前用户的主目录(/home/用户目录)cd ~切换到当前用户的主原创 2020-11-12 21:02:55 · 231 阅读 · 0 评论 -
视觉SLAM十四讲第十一讲
第十一讲 后端2本节目标理解 Pose Graph 优化。理解因子图优化。理解增量式图优化的工作原理。通过实验掌握 g2o 的 Pose Graph 优化与 gtsam 的因子图优化。一、位姿图1)Pose Graph的意义我们可以构建一个只有轨迹的图优化,而位姿节点之间的边,可以由两个关键帧之间通过特征匹配之后得到的运动估计来给定初始值。不同的是,一旦初始估计完成,我们就不再优化那些路标点的位置,而只关心所有的相机位姿之间的联系了。通过这种方式,我们省去了大量的特征点优化的计算,只保留了原创 2020-10-24 15:49:47 · 585 阅读 · 0 评论 -
视觉SLAM十四讲第十讲
第十讲:后端 1本节目标理解后端的概念。理解以 EKF 为代表的滤波器后端工作原理。理解非线性优化的后端,明白稀疏性是如何被利用的。使用 g2o 和 Ceres 实际操作后端优化。一、概述1)状态估计的概率解释在后端优化中,我们通常考虑一个更长时间内(或所有时间内)的状态估计问题,而且不仅使用过去的信息更新自己的状态,也会用未来的信息来更新自己,这种处理方式不妨称为“批量的”(Batch)。否则,如果当前的状态只由过去的时刻决定,甚至只由前一个时刻决定,那不妨称为**“渐进的”(Incre原创 2020-10-24 15:32:07 · 986 阅读 · 0 评论 -
视觉SLAM十四讲第九讲
代码理解,后续更新。。。。原创 2020-10-23 21:25:10 · 410 阅读 · 0 评论 -
视觉SLAM十四讲第八讲
第 8 讲 视觉里程计 2本节目标理解光流法跟踪特征点的原理。理解直接法是如何估计相机位姿的。使用 g2o 进行直接法的计算。一、直接法直接法拥有如下的缺点:1.、关键点的提取与描述子的计算非常耗时。2、 使用特征点时,忽略了除特征点以外的所有信息。3.、相机有时会运动到特征缺失的地方,往往这些地方没有明显的纹理信息。为了克服特征点法的上述缺点而存在的。直接法根据像素的亮度信息,估计相机的运动,可以完全不用计算关键点和描述子,于是,既避免了特征的计算时间,也避免了特征缺失的情况。只要场原创 2020-10-20 20:07:02 · 869 阅读 · 0 评论 -
视觉SLAM十四讲第七讲
第七章 视觉里程计 1主要目标理解图像特征点的意义, 并掌握在单幅图像中提取出特征点及多幅图像中匹配特征点的方法。理解对极几何的原理,利用对极几何的约束,恢复出图像之间的摄像机的三维运动。理解 PNP 问题,以及利用已知三维结构与图像的对应关系求解摄像机的三维运动。理解 ICP 问题,以及利用点云的匹配关系求解摄像机的三维运动。理解如何通过三角化获得二维图像上对应点的三维结构。一、特征点法VO 的算法主要分为两个大类:特征点法和直接法。1)特征点VO 的核心问题是如何根据图像来估计相机原创 2020-10-19 22:07:06 · 1355 阅读 · 0 评论 -
视觉SLAM十四讲第六讲
第六章 非线性优化主要目标理解最小二乘法的含义和处理方式。理解高斯牛顿法(Gauss-Newton)、列文伯格—马夸尔特方法(LevenburgMarquadt)等下降策略。学习 Ceres 库和 g2o 库的基本使用方法。一、状态估计问题1)批量状态估计与最大后验估计经典 SLAM 模型由一个运动方程和一个观测方程构成:在运动和观测方程中,我们通常假设两个噪声项 wk, vk,j 满足零均值的高斯分布,像这样:其中 N 表示高斯分布,0 表示零均值,Rk, Qk,j 为协方差矩阵原创 2020-10-15 19:30:11 · 1296 阅读 · 0 评论 -
视觉SLAM十四讲第五讲
第五章 相机与图像主要目标理解针孔相机的模型、内参与径向畸变参数。理解一个空间点是如何投影到相机成像平面的。掌握 OpenCV 的图像存储与表达方式。学会基本的摄像头标定方法。在计算机中,一张照片由很多个像素组成,每个像素记录了色彩或亮度的信息。三维世界中的一个物体反射或发出的光线,穿过相机光心后,投影在相机的成像平面上。相机的感光器件接收到光线后,产生测量值,就得到了像素,形成了我们见到的照片。一、相机模型1)针孔相机模型设 O-x-y-z 为相机坐标系,习惯上我们让z 轴指向相机前原创 2020-10-14 22:08:33 · 1425 阅读 · 0 评论 -
视觉SLAM十四讲第四讲
第四章 李群与李代数主要目标理解李群与李代数的概念,掌握 SO(3), SE(3) 与对应李代数的表示方式。理解 BCH 近似的意义。学会在李代数上的扰动模型。使用 Sophus 对李代数进行运算。旋转矩阵自身是带有约束的(正交且行列式为 1)。它们作为优化变量时,会引入额外的约束,使优化变得困难。通过李群—李代数间的转换关系,我们希望把位姿估计变成无约束的优化问题,简化求解方式。一、李群与李代数基础说三维旋转矩阵构成了特殊正交群 SO(3),而变换矩阵构成了特殊欧氏群 SE(3)。它们写原创 2020-10-14 22:07:07 · 321 阅读 · 0 评论 -
视觉SLAM十四讲第三讲
第三章 三维空间刚体运动主要目标理解三维空间的刚体运动描述方式:旋转矩阵、变换矩阵、四元数和欧拉角。掌握 Eigen 库的矩阵、几何模块使用方法。一、 旋转矩阵刚体,它不光有位置,还有自身的姿态。相机也可以看成三维空间的刚体,于是位置是指相机在空间中的哪个地方,而姿态则是指相机的朝向。我们要用数学语言来描述它。1)点和向量点就是空间当中的基本元素,没有长度,没有体积。把两个点连接起来,就构成了向量。向量可以看成从某点指向另一点的一个箭头。2)基维空间中的某个点的坐标也可以用 R3 来描原创 2020-10-14 20:10:36 · 650 阅读 · 0 评论 -
视觉SLAM十四讲第二讲
第二章 初识 SLAM1、相机分类相机可以分为单目相机(Monocular)、双目相机(Stereo)和深度相机(RGB-D)三大类。1)单目相机只使用一个摄像头进行 SLAM 的做法称为单目SLAM(Monocular SLAM)。这种传感器结构特别简单,成本特别低,所以单目 SLAM 非常受研究者关注。照片本质上是拍摄某个场景(Scene)在相机的成像平面上留下的一个投影。它以二维的形式记录了三维的世界。显然,这个过程丢掉了场景的一个维度,也就是所谓的深度(或距离)。在单目相机中,我们无法通过原创 2020-10-13 21:46:51 · 362 阅读 · 0 评论 -
视觉SLAM十四讲第一讲
之前看过一遍,但是过一段时间之后就会忘记,所以这次做一个记录,将学习中遇到的问题和总结的一些东西记录下来,以供后续的回顾和学习。第一讲 预备知识SLAM 是 Simultaneous Localization and Mapping 的缩写,中文译作“同时定位与地图构建”。它是指搭载特定传感器的主体,在没有环境先验信息的情况下,于运动过程中建立环境的模型,同时估计自己的运动。如果这里的传感器主要为相机,那就称为“视觉 SLAM”。加粗的地方就是定义中的条件,也是一个优秀的SLAM系统应该做到的基础。原创 2020-10-13 21:04:40 · 232 阅读 · 0 评论