weixin_43619346的博客

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。...

读书笔记：实践章节

读书笔记：建图

读书笔记：回环检测

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...

读书笔记：后端1本讲开始，我们转入SLAM 系统的另一个重要模块：后端优化。我们看到，前端视觉里程计能给出一个短时间内的轨迹和地图，但由于不可避免的误差累积，这个地图在长时间内是不准确的。所以，在视觉里程计的基础上，我们还希望构建一个尺度、规模更大的优化问题，以考虑长时间内的最优轨迹和地图。不过，考虑到精度与性能的平衡，实际当中存在着许多不同的做法。...

读书笔记：视觉里程计2

读书笔记：视觉里程计1

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...

读书笔记：相机与图像

读书笔记：李群与李代数上一讲，我们介绍了三维世界中刚体运动的描述方式，包括旋转矩阵、旋转向量、欧拉角、四元数等若干种方式。我们重点介绍了旋转的表示，但是在SLAM 中，除了表示之外，我们还要对它们进行估计和优化。因为在SLAM 中位姿是未知的，而我们需要解决什么样的相机位姿最符合当前观测数据这样的问题。一种典型的方式是把它构建成一个优化问题，求解最优的R; t，使得误差最小化。如前所言，旋转矩...

读书笔记：三维空间刚体运动本讲介绍视觉 SLAM 的基本问题之一：一个刚体在三维空间中的运动是如何描述的。我们当然知道这由一次旋转加一次平移组成。平移确实没有太大问题，但旋转的处理是件麻烦事。我们将介绍旋转矩阵、四元数、欧拉角的意义,以及它们是如何运算和转换的。旋转矩阵一些线性代数的基本知识。坐标系：坐标变化：变换矩阵：这是一个数学技巧:我们把一个三维向量的末尾添加 1,变成了...

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...

前言之所以想要写这个系列的博客，是因为想要总结一下高博的《SLAM视觉十四讲第二版》的各章内容以及自己对书后习题的一些做法，也算是对自己学习过程的一个总结和回顾。那么，正式开始！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...