《视觉SLAM十四讲 第二版》课后习题

已于 2022-04-25 15:02:26 修改
阅读量4.3k 收藏 100
点赞数 10
文章标签： 自动驾驶 人工智能
于 2022-04-19 16:49:27 首次发布
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_43296779/article/details/124275753
版权

本文为《视觉SLAM十四讲》(第二版)的课后习题解答，为本人学习时参考着网上的资源所写的答案，可能有所纰漏，希望大家指出。

文章目录

第1讲 预备知识

  1. 有线性方程 Ax = b,当我们知道 A, b,想要求解 x 时,如何求解?这对 A 和 b 需 要哪些条件?提示:从 A 的维度和秩角度来分析。
    1.若b≠0，则
    当r=m=n时，整个方程存在唯一解；
    当r=n<m，即A列满秩，整个方程要么无解要么存在唯一解；
    当r=m<n，即A行满秩，整个方程有无穷解；
    当r<m,r<n，整个方程要么无解要么存在唯一解。
    2.若b=0，则
    当r=n时，整个方程只有解x=0；
    当r<n，整个方程有无穷解；
  2. 高斯分布是什么?它的一维形式是什么样子?它的高维形式是什么样子?
    答：高斯分布又称正态分布，一维形式为概率密度函数…

第2讲 初始SLAM

第3讲 三维空间刚体运动

  1. 验证旋转矩阵是正交矩阵。
    在这里插入图片描述
  2. 验证四元数旋转某个点后,结果是一个虚四元数(实部为零),所以仍然对应到一个三维空间点(式 3.34)
    在这里插入图片描述
  3. 画表总结旋转矩阵、轴角、欧拉角、四元数的转换关系。
    在这里插入图片描述

第4讲 李群与李代数

1.验证SO(3),SE(3)和Sim(3)关于乘法成群
在这里插入图片描述
在这里插入图片描述
2.验证（R^3,R,X)构成李代数
在这里插入图片描述
3.验证so(3)和se(3)(李代数）满足李代数要求的性质
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
4.验证性质(4.20)和(4.21)
在这里插入图片描述
5.证明
在这里插入图片描述
6.证明
在这里插入图片描述
7 仿照左扰动的推导，推导SO(3)和SE(3)在右扰动下的导数。
在这里插入图片描述

第5讲 相机与图像

第6讲 非线性优化

  1. 证明线性方程Ax = b 当系数矩阵A 超定时，最小二乘解为在这里插入图片描述
    在这里插入图片描述
  2. 调研最速下降法、牛顿法、高斯牛顿法和列文伯格-马夸尔特方法各有什么优缺点？除了我们举例的Ceres库和g2o库，还有哪些常用的优化库？
    在这里插入图片描述
  3. 为什么高斯牛顿法的增量方程系数矩阵可能不正定？不正定有什么几何含义？为什么在这种情况下解就不稳定了？

在这里插入图片描述
5. DogLeg是什么？它与高斯牛顿法和列文伯格-马夸尔特方法有什么异同？

在这里插入图片描述

第7 讲 非线性优化

  1. 除了本书介绍的ORB特征点，你还能找到哪些特征点？请说说SIFT或SURF的原理，并对比它们与ORB之间的优劣。

  2. 设计程序调用OpenCV中的其他种类特征点，统计在提取1000个特征点时在你的机器上所用的时间。

  3. 我们发现，OpenCV提供的ORB特征点在图像中分布不够均匀。你是否能够找到或提出让特征点分布更均匀的方法？

  4. 研究FLANN为何能够快速处理匹配问题，除了FLANN，还有哪些可以加速匹配的手段？

  5. 把演示程序使用的EPnP改成其他PnP方法，并研究它们的工作原理。

  6. 在PnP优化中，将第一个相机的观测也考虑进来，程序应如何书写？最后结果会有何变化？

  7. 在ICP程序中，将空间点也作为优化变量考虑进来，程序应如何书写？最后结果会有何变化？

  8. 在特征点匹配过程中，不可避免地会遇到误匹配的情况。如果我们把错误匹配输入到PnP或ICP中，会发生怎样的情况？你能想到哪些避免误匹配的方法？

  9. 使用Sophus的SE3类，自己设计g2o的节点和边，实现PnP和ICP的优化。

  10. 在Ceres中实现PnP和ICP的优化。

鱼肖浓++
关注
《视觉SLAM十四讲 第二版》笔记及课后习题（第十讲）
weixin_43619346的博客
11-26 1759
读书笔记：后端2 上讲我们重点介绍了以BA 为主的图优化。BA 能精确地优化每个相机位姿与特征点位置。不过在更大的场景中，大量特征点的存在会严重降低计算效率，导致计算量越来越大以至于无法实时化。本讲介绍两种在更大场景下使用的后端优化方法：位姿图。 位姿图（Pose Graph） Pose Graph即是省略了特征点的Bundle Adjustment。 Pose Graph 示意图。当我们不再优化...
《视觉SLAM十四讲 第二版》笔记及课后习题（第六讲）
weixin_43619346的博客
11-23 2862
读书笔记：非线性优化 在前面几章，我们介绍了经典SLAM 模型的运动方程和观测方程。现在我们已经知 道，方程中的位姿可以由变换矩阵来描述，然后用李代数进行优化。观测方程由相机成像模型给出，其中内参是随相机固定的，而外参则是相机的位姿。于是，我们已经弄清了经典SLAM 模型在视觉情况下的具体表达。 然而，由于噪声的存在，运动方程和观测方程的等式必定不是精确成立的。尽管相机可以非常好地符合针孔模型，但...
slam14讲习题作业
02-28
高翔14讲最全代码，及习题作业，有不明白的疑问可以解决
视觉SLAM十四讲——ch1课后习题解答
qq_56908984的博客
04-26 1139
文章介绍了线性代数的基本概念，包括矩阵求解规则，以及C++中的类和STL库。还提到了C++11新特性，以及Linux操作系统中的目录结构及其功能。最后展示了使用`sudoaptinstall`进行包管理的例子。
《视觉SLAM十四讲从理论到实践 第二版》课后习题——ch1
a1446018093的博客
07-28 954
《视觉SLAM十四讲从理论到实践 第二版》课后习题
视觉SLAM十四讲的部分课后答案以及课堂笔记
qq_39717374的博客
07-19 4305
第一讲初识SLAM 一、Linux的熟悉 1.如何在 Ubuntu 中安装软件（命令⾏界⾯）？它们通常被安装在什么地⽅？ 1）apt-get 方式的安装； 普通安装：sudo apt-get install XXX 修复安装：sudo apt-get -f install XXX 重新安装：sudo apt-get -f reinstall XXX 2）dpkg方式的安装 su...
视觉slam十四讲习题答案解析
qq_24624539的博客
11-07 2492
https://www.cnblogs.com/bigmonkey/这个博主里的内容可以好好看一下，包含线性代数和概率论的知识，挺好的。 第一章 理解多纬高斯分布 https://blog.csdn.net/LoseInVain/article/details/80339201 Ax=b的通解 习题及答案-第一讲 https://blog.csdn.net/sinat_...
《视觉SLAM十四讲 第二版》笔记及课后习题（第二讲）
weixin_43619346的博客
11-21 3859
读书笔记： 这一讲算是全书的一个大纲，最关键的就是介绍了经典视觉SLAM框架。 小萝卜的例子 小萝卜要解决的问题分为两个： 要明白自身的状态 这就是location 要明白外在的环境 这就是mapping 对于视觉SLAM而言，熟悉各类相机的优缺点很有必要： SLAM问题的数学表述： 运动方程和观测方程： 经典视觉SLAM框架： 我们把整个视觉 SLAM 流程分为以下几步: 传感器...
《视觉SLAM十四讲 第二版》笔记及课后习题（第十二讲）
weixin_43619346的博客
11-26 2877
读书笔记：建图
《视觉SLAM十四讲 第二版》笔记及课后习题（第十四讲）
weixin_43619346的博客
11-27 3479
读书笔记：SLAM：现在与未来 终于到本书最后一章了。也到了此系列博客的最后一篇！ 我们前面的内容介绍了一个SLAM 系统中的各个模块的工作原理，这是研究者们多年的工作的结晶。目前，除了这些理论框架之外，我们也积累了许多优秀的开源SLAM 方案。不过，由于它们大部分实现都比较复杂，不适合初学者做为上手的材料，所以我们放到了本书的最后加以介绍。相信读者通过阅读之前的章节，应该能明白它们的基本原理。 ...
视觉SLAM十四讲课后答案-ch1
一抹烟霞的博客
03-07 538
一、Linux的熟悉1.如何在 Ubuntu 中安装软件（命令⾏界⾯）？它们通常被安装在什么地⽅？1）apt-get 方式的安装；普通安装：sudo apt-get install XXX修复安装：sudo apt-get -f install XXX重新安装：sudo apt-get -f reinstall XXX2）dpkg方式的安装sudo dpkg -i package_nam...
视觉SLAM十四讲作业练习（1）
ASUNAchan的博客
04-26 1545
4 CMake 练习 书写一个由 cmake 组织的 C++ 工程，要求如下： include/hello.h 和 src/hello.c 构成了 libhello.so 库。hello.c 中提供一个函数 sayHello()，调用此 函数时往屏幕输出一行“Hello SLAM”。我们已经为你准备了 hello.h 和 hello.c 这两个文件，见 “code/”目录下。 文件 useHello.c 中含有一个 main 函数，它可以编译成一个可执行文件，名为“sayhello” 默认用 Releas
【视觉SLAM】 十四讲ch6习题
weixin_68880273的博客
07-24 1158
《视觉SLAM十四讲》第六章的习题解答
视觉SLAM14讲-习题及答案-第一讲
Li03
09-17 3962
1 当b=0时，设为矩阵，则齐次线性方程组有非零解的充要条件是系数矩阵的秩 当b0时，非齐次线性方程组有解的充分必要条件是系数矩阵的秩等于增广矩阵的秩，即. 2 高斯分布又称正态分布 一维形式： 若随机变量服从一个位置参数为、尺度参数为的正态分布，记为： 则其概率密度函数为 又称为期望，又称为方差。 理论上可以证明如果把许多小作用加起来看做一个变量，那么这个变量服从正态分...
SLAM十四讲ch3课后习题
Johaden的博客
08-27 951
配套高翔视觉SLAM中ch3部分的课后习题，其中第二题（对应书上第三题）的解题过程比大多数博客的解题过程更好理解，有不清楚或错误的地方请多指正。
SLAM十四讲课后习题解答
VIEO
01-29 2337
元学习论文总结||小样本学习论文总结 2017-2019年计算机视觉顶会文章收录 AAAI2017-2019 CVPR2017-2019 ECCV2018 ICCV2017-2019 ICLR2017-2019 NIPS2017-2019 总：https://blog.csdn.net/jiahao62/article/details/80655542 第一章 参考： https://b...
《视觉SLAM十四讲》学习日志(一)——预备知识
Nikki_o3o的博客
02-09 1103
SLAM简介 :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题，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拟，同时估计自己的运动。如果传感器主要是相机，那就称之为 " 视觉SLAM "。SLAM 的目的是为了解决 " 定位 " 与 " 地图构建 " 这两个问题。也就是说，一边...
视觉slam14讲——习题部分
leeayu的博客
10-24 3861
本文是记录学习高翔所著《视觉slam14讲》的习题部分，习题只做了一部分，如有错误，还请指出。第4讲 李群与李代数习题 习题1 验证SO3SE3Sim3关于乘法成群验证SO3SE3Sim3关于乘法成群 习题2 验证R3R构成李代数R3R构成李代数 习题3 验证李代数so3R3beginequation mathfrakso3 mathbfphi in mathbbR3 endequation满
视觉SLAM十四讲CH7课后习题3_2
生活如此美好，致敬每一个热爱“热爱”的人！
11-04 557
3. * 我们发现OpenCV 提供的ORB 特征点，在图像当中分布不够均匀。你是否能够找到或提出让特征点分布更加均匀的方法？ 这里可以参考前面的视觉SLAM十四讲CH7课后习题3_1的注释，下面的这个代码的写法和前面的差不多，基本上是属于ORB-SLAM中的一部分。 orb_cv2.cpp #include <iostream> #include <list> #include <vector> #include <algorithm> #inclu
视觉slam十四讲第四章课后题五
最新发布
01-10
### 关于《视觉SLAM十四讲》第四章课后题五的解答与解析 #### 问题描述 在《视觉SLAM十四讲》第四章中，课后题五通常涉及对三维重建过程中某些特定算法的理解和应用。这类题目旨在考察读者对于多视图几何、特征匹配以及基础矩阵计算等方面的知识掌握情况。 #### 解析过程 为了完成此类题目，需要理解如何通过两幅或多幅不同视角下的图像来恢复场景结构及其摄像机姿态。这涉及到几个核心概念和技术： - **特征提取与匹配**：从给定图片中检测并描述局部不变特征点（如角点），然后基于这些特征实现跨图像间的对应关系建立[^1]。 - **本质矩阵(Essential Matrix)** 和 **基础矩阵(Fundamental Matrix)** 的估计：一旦获得了可靠的特征匹配对，则可以通过八点法或其他方法求解表示两个相机相对位置的姿态参数——即本质矩阵；而当不知道内参时则转而估算更一般的基础矩阵[^2]。 - **三角化(Triangulation)** ：利用已知的内外参数信息，结合对应的二维投影坐标，反向推算出世界坐标的三维点位[^3]。 针对本道练习的具体要求，假设其关注的是从两张校准过的立体像对构建稀疏地图模型的过程，那么解决方案可能如下所示： ```cpp // 假设已经完成了必要的预处理工作，比如读取图像、执行FAST/SIFT/ORBSURF等特征检测器获取关键点集合kp1,kp2， // 并进行了FLANN/KDTree之类的快速近似最近邻搜索得到初步配对matches； std::vector<cv::Point2f> pts1,pts2; for(DMatch& match : matches){ // 将匹配好的索引转换为实际像素坐标 pts1.push_back(kps1[match.queryIdx].pt); pts2.push_back(kps2[match.trainIdx].pt); } cv::Mat F = findFundamentalMat(pts1,pts2,cv::FM_RANSAC); // 计算基础矩阵 if (F.empty()) { std::cerr << "Failed to compute Fundamental matrix." << std::endl; } else { cv::Mat E = K.t() * F * K; // 转换为基础矩阵到本质矩阵形式，其中K代表相机内部参数阵 } ``` 上述代码片段展示了如何依据OpenCV库函数`findFundamentalMat()` 来获得基础矩阵，并进一步调整为本质矩阵的形式以便后续操作。需要注意的是，在真实环境中还需考虑噪声影响等因素做额外优化处理。
评论 2
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