![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
SLAM
文章平均质量分 82
YWL0720
这个作者很懒,什么都没留下…
展开
-
贝叶斯公式重写MAP
贝叶斯公式重写最大后验估计推导原创 2022-10-13 19:34:10 · 590 阅读 · 3 评论 -
ORB_SLAM3 v1.0 ROS接口编译问题汇总
ORB_SLAM3 v1.0 ROS接口编译问题汇总原创 2022-03-31 20:38:08 · 2595 阅读 · 5 评论 -
从零手写VIO——第一讲作业
3 其他导数使用右乘so(3)\mathfrak{so}(3)so(3),推导以下导数d(R−1p)dR\frac{d(\mathbf{R}^{-1}p)}{d\mathbf{R}}dRd(R−1p)d(R−1p)dR=limϕ→0(Rexp(ϕ∧))−1p−R−1pϕ=limϕ→0exp(−ϕ∧)R−1p−R−1pϕ=limϕ→0(I−ϕ∧)R−1p−R−1pϕ=limϕ→0−ϕ∧R−1pϕ=limϕ→0(R−1p)∧ϕϕ=(R−1p)∧\begin{aligned}\frac{原创 2021-11-02 22:15:29 · 149 阅读 · 0 评论 -
G2O框架及编程方法
目录一、G2O的基本框架1.图的核心2.顶点和边3.配置SparseOptimizer的优化算法和求解器4.求解二、G2O编程流程三、G2O顶点编程方法1.G2O内部常见顶点类型2.自定义顶点的方法3.向图中添加顶点四、G2O边的编程方法1.G2O中边的类型2.边的主要函数3.自定义G2O的边4.向图中添加边G2O(General Graph Optimization)是一个用来优化非线性误差函数的C++框架, https://github.com/RainerKuemmerle/g2o一、G2O的原创 2021-10-22 15:13:40 · 532 阅读 · 0 评论 -
视觉SLAM十四讲 第九讲前端实践 运行报错核心已转储
在学习十四讲第九讲前端实践中,project0.2版本,编译可以通过,运行时发现一直报错 段错误(核心已转储)。debug后发现问题出在初始化阶段,在函数void VisualOdometry::extractKeyPoints(){ orb_->detect ( curr_->color_, keypoints_curr_ );}中,keypoints_curr_的长度始终是0,无法提取到有效的关键点,输出的curr_->color_正常,于是将这段提取特征点的代码更原创 2021-10-21 21:05:59 · 779 阅读 · 3 评论 -
视觉SLAM十四讲 第5讲 相机与图像
目录一、相机模型针孔相机模型畸变双目相机模型RGB-D相机模型一、相机模型针孔相机模型其中OOO为相机的光心,PPP为现实世界空间中的一点,物理成像平面上的点为P′P^{\prime}P′,P=[X,Y,Z]T,p′=[X′,Y′,Z′]TP=[X,Y,Z]^T,p^{\prime}=[X^{\prime},Y^{\prime}, Z^{\prime}]^TP=[X,Y,Z]T,p′=[X′,Y′,Z′]T,焦距为fff。根据相似三角形:Zf=−XX′=−YY′\frac Zf =-\frac原创 2021-08-19 20:08:21 · 172 阅读 · 0 评论 -
视觉SLAM十四讲 第4讲李群与李代数
目录一、李群与李代数基础群李代数的引出李代数的定义李代数so(3)\mathfrak{so} (3)so(3)李代数se(3)\mathfrak{se}(3)se(3)二、指数和对数映射SO(3)SO(3)SO(3)上的指数映射SE(3)SE(3)SE(3)上的指数映射三、李代数求导与扰动模型BCH公式与近似公式SO(3)SO(3)SO(3)李代数上的求导李代数求导扰动模型(左乘)SE(3)SE(3)SE(3)上的李代数求导一、李群与李代数基础上一节给出了三维旋转矩阵构成了特殊正交群SO(3),变换矩原创 2021-08-18 16:40:01 · 358 阅读 · 0 评论 -
视觉SLAM十四讲 第3讲 三维空间刚体运动
目录一、旋转矩阵点和向量,坐标系坐标系间的欧式变换二、旋转向量和欧拉角旋转向量欧拉角三、四元数四元数的定义四元数的运算用四元数表示旋转四元数到旋转矩阵的转换本节的部分内容在机器人学导论课程中都有讲述,相关的知识点在上学期的课后整理过,放在这里,机器人学的数理基础知识,本文将在此基础上做些补充。一、旋转矩阵点和向量,坐标系坐标系间的欧式变换二、旋转向量和欧拉角旋转向量旋转矩阵是一个行列式为1的正交矩阵,反之,行列式为1的正交矩阵也是一个旋转矩阵,所以可以把旋转矩阵的集合定义为如下:SO(n原创 2021-08-16 16:26:55 · 237 阅读 · 0 评论 -
视觉SLAM十四讲 第2讲 初识slam
第二讲 初识SLAM引言常用的相机SLAM中使用的相机往往比我们熟悉的单反相机等更加简单,能够以一定的速率拍摄周围的环境,形成一个连续的视频流。按照工作方式可以分为:单目相机(Monocular)双目相机(Stereo)深度相机(RGB-D)单目相机照片实质是拍照时的场景在相机的成像平面,它以二维的形式反映了三维的世界。因而丢掉了场景的深度(距离)信息。在单目相机中,我们无法从单张照片来计算场景中物体与我们之间的距离,只能通过移动相机才能估计出它的运动。但是单目SLAM估计的轨迹和地图总原创 2021-08-15 19:16:35 · 376 阅读 · 0 评论