weixin_43891708的博客

一家之言，仅作分享，如有不合理或需要改进的地方，欢迎各位讨论。前言点云配准的方法有相关性扫描匹配，ICP，以及NDT。前两种在我之前的博客中已经有了简单介绍，相关性扫描匹配CSM与分支限界多种形式ICP问题的ceres实例应用这里将对NDT(Normal Distribution Transform)正态分布变化进行介绍。相比于ICP，NDT对比较差的初始值也可以完成更好的估计。一、与ICP、CSM的区别不论是ICP还是CSM，要想有更好的配准效果，就需要假设环境的大部分是不变的。但是实际中，

一家之言，仅作分享，如有不合理或需要改进的地方，欢迎各位讨论。前言作者在先前激光SLAM项目中借鉴的是karto中的匹配方法相关性扫描匹配，在google的cartographer中的前端匹配方法也是相关性扫描匹配，但是利用了分支界定进行了加速。这篇博客将对CSM与分支界定进行介绍分享。...

一家之言，仅作分享，如有不合理或需要改进的地方，欢迎各位讨论。前言    本篇博客简单介绍坐标、矩阵几个基础知识。坐标将介绍世界坐标，相机坐标，图像坐标，像素坐标。矩阵将介绍旋转矩阵，位姿矩阵，内参矩阵，本质矩阵，基础矩阵，单应矩阵。一、坐标    这里我将通过将一个世界坐标系的三维点变换得到图像像素坐标的例子，分开介绍四种坐标。在环境中选择一个参考坐标系来描述摄像机和物体的位置，该坐标系称为世界坐标系，为三维坐

一家之言，仅作分享，如有不合理或需要改进的地方，欢迎各位讨论。前言    在自动驾驶地图定位模块的功能开发中，主要研究方向分为三种：建图、里程计、定位。建图是根据车辆传感器感知信息进行三维构建，不论是...

一家之言，仅作分享，如有不合理或需要改进的地方，欢迎各位讨论。前言    在之前项目中为提高系统定位精度，开发激光SLAM建图方案。场景是城市道路，车辆装备RTK-GNSS，IMU和轮速计。离线SLAM建图过程是从三维激光点云中提取地面、中层和高层特征，分别建立同一场景的多层次二维地图，提高对复杂环境的适用性。在karto与cartographer的基础上进行了改进，结合大范围场景特殊性，新增GPS约束，有效减少离线建图过程中的定位累计误差，从而减少闭环时的搜索范

文章：AVP-SLAM: Semantic Visual Mapping and Localization for Autonomous Vehicles in the Parking Lot作者：Tong Qin, Tongqing Chen, Yilun Chen, and Qing Su前言：去年笔者之前在自研探索AVP方案时，阅读到秦通博士的一篇论文AVP-SLAM: Semantic Visual Mapping and Localization for Autonomous Vehicles

前言：笔者在探索城市众包地图方案时，阅读到秦通博士的一篇论文RoadMap: A Light-Weight Semantic Map for Visual Localization towards Autonomous Driving，认为整体思路清晰且技术方案高效合理，便对此做一篇【论文阅读】，以丰富自己弹药库。RoadMap：一种用于自动驾驶的视觉定位的轻量化语义地图摘要准确的定位对于自动驾驶而言是十分重要的。现今，可以在道路上看到很多传感器丰富的自动驾驶车辆（如Robo-taxi），它们装备着高

RANSAC思想解决平面拟合问题RANSAC（RANdom SAmple Consensus随机抽样一致），采用迭代的方式从一组包含离群的被观测数据中估算出数学模型的参数。它是一种不确定的算法——它有一定的概率得出一个合理的结果；为了提高概率必须提高迭代次数。从上述对RANSAC思想的解释，可以提取出以下几个关键点：要求解的是一个数学模型的参数；求解方式是迭代取最优；最优的评断的标准是计算出的数学模型可以满足更多的被观测数据；被观测数据集包含了内群点和离群点，离群点产生的原因是极端的噪声或错误

Ceres解决SLAM位姿图优化问题

视觉SLAM–视觉里程计-ICP

KDtree相关库nanoflann的应用在ICP求解运动估计问题中，首先要解决的就是特征关联问题，一般都是利用KD树进行最近邻（NN）搜索，即在点云集A中找出其中每个点在点云集B中的距离最近的点，以实现数据关联。与PCL中的KD树最近邻搜索相比，更推荐nanoflann方法，后者运行速度更快，且只需要包含少量头文件即可（nanoflann.hpp和nanoflann_utils.h）。nanoflann实例应用在source点云中，找出每一个特征点pisrcp^{src}_ipisrc​在targ

视觉SLAM–视觉里程计-对极几何完成特征提取以及特征匹配后，将基于关联后的特征点对进行配准以完成相机运动估计。当相机为单目相机时，我们只知道 2D 的像素坐标，因而问题是根据两组 2D 点估计运动。该问题用对极几何来解决。...

视觉SLAM中ORB特征简介特征点由关键点（Key-point）和描述子（Descriptor）两部分组成。其中，关键点是指该特征点在图像里的位置，有些特征点还具有朝向、大小等信息。描述子通常是一个向量，按照某种人为设计的方式，描述了该关键点周围像素的信息。描述子是按照“外观相似的特征应该有相似的描述子”的原则设计的。考虑到检测性能与特征质量的一种平衡，一般不使用质量很好但是性能消耗很高SIFT(尺度不变特征变换， ScaleInvariant Feature Transform)特征，而更多地是采用O