视觉SLAM入门 -- 学习笔记 - Part3

已于 2022-02-19 11:03:31 修改
阅读量336 收藏 2
点赞数
分类专栏： SLAM 文章标签： 自动驾驶 线性代数 人工智能
于 2021-10-23 00:00:00 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_48592526/article/details/120657703
版权

2 群的性质

在这里插入图片描述
先看群的定义：
在这里插入图片描述

请添加图片描述

补充：
3. 解释什么是阿贝尔群。并说明矩阵及乘法构成的群是否为阿贝尔群。

阿贝尔群（Abel Group）又称交换群或可交换群，
它由自身的集合 G 和二元运算 * 构成。它除了满足一般的群公理，即运算的结合律、G 有单位元、所有 G 的元素都有逆元之外，还满足交换律公理。因为阿贝尔群的群运算满足交换律和结合律，群元素乘积的值与乘法运算时的次序无关。
plus:​ 矩阵即使是可逆矩阵，一般不形成在乘法下的阿贝尔群&#x

了解本专栏 订阅专栏 解锁全文 超级会员免费看
昼行plus
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
基于ORB-SLAM3库搭建SLAM系统
07-09
基于ORB-SLAM3库搭建SLAM系统
视觉slam学习笔记以及课后习题《第三讲李群李代数》
m0_61238051的博客
10-12 726
前言 这篇博客主要记录了我在深蓝学院视觉slam课程中的课后习题，因为是为了统计知识点来方便自己以后查阅，所以有部分知识可能不太严谨，如果给大家造成了困扰请见谅，大家发现了问题也可以私信或者评论给我及时改正，欢迎大家一起探讨。其他章的笔记可以在我的首页文章中查看。 整个作业的代码和文档都可以参考我的GitHub存储库GitHub - 1481588643/vslam 如果想要了解视觉slam其他章节的内容，也可以查阅以下链接 https://blog.csdn.net/m0_61238051/ar.
5-5 阿贝尔群与循环群
tang7mj的博客
11-27 633
定义：如果群 ⟨G,∗⟩ 中的运算 ∗∗ 是可交换的，则该群称为阿贝尔群，或交换群。定义：若群 ⟨G,∗⟩ 中存在元素 a，使得 G 中的任意元素都可由 a 的幂表示，则称该群为循环群，a 称为生成元。阿贝尔群：如果一个群 ⟨G,∗⟩ 中的运算 ∗∗ 对于所有 a,b∈G 都满足交换律（即 a∗b=b∗a），则该群被称为阿贝尔群或交换群。定义 5-5.1 的目的是为了明确地说明什么构成了一个阿贝尔群，而不是为了提供一个需要证明的数学命题。
阿贝尔群是什么
热门推荐
斯坦福-MIT-Harvard-CMU
06-02 1万+
任何两个非零有理数相乘仍然是非零有理数，乘法满足结合律，1是单位元，每个非零有理数q的逆元是1/q，而且乘法满足交换律。任何两个非零复数相乘仍然是非零复数，乘法满足结合律，1是单位元，每个非零复数z的逆元是1/z，而且乘法满足交换律。很明显，任何两个整数相加仍然是整数，加法满足结合律，0是单位元，每个整数n的逆元是-n，而且加法满足交换律。在这些例子中，群的运算都是我们熟悉的加法或者乘法，但在更复杂的情况中，群的运算可能是更抽象的运算。整数加法群、实数加法群、复数加法群、矩阵加法群等都是阿贝尔群的例子。
《视觉slam十四讲》第4讲课后习题_(∠ゝз:)_
qq_17032807的博客
12-11 6704
_(:зゝ∠)_觉得有用点个赞谢谢 1.验证SO(3)、SE(3)和Sim(3)关于乘法成群： 首先看特殊正交群SO(3)的定义：； 定义两个李群，要证明这两个李群的积也还是李群，需要满足李群的两个条件：1.自反性：，2.行列式为1。实际上我们知道这就是在说正交矩阵中的旋转矩阵。但是这里还是再做一下证明。 证明第一个： 然后证明第二个： 所以SO(3)关于乘法成群。 然后再看...
2023-06-27 验证SO3上的伴随性质
wmorries的博客
06-29 352
SO3上的伴随性质
RTAB-MAP开源视觉-激光-里程计SLAM代码
04-22
3、rtabmap_ros-0.20.9-melodic.zip 4、rtabmap-0.20.8.zip RTAB-MAP，2009年开始设计，2013年首次开源，2016年完全基于图优化，2017年扩展了很多新应用，是RGB-D SLAM中比较经典的方案。目前被发展成跨平台独立的...
SLAM-适配Windows平台的ORB-SLAM3-优质项目实战.zip
02-22
SLAM_适配Windows平台的ORB-SLAM3_优质项目实战
SLAM-基于ORB-SLAM的鱼眼相机实时鲁棒单目视觉SLAM系统-无需校正或裁剪输入图像-优质项目实战.zip
最新发布
02-22
SLAM_基于ORB-SLAM的鱼眼相机实时鲁棒单目视觉SLAM系统_无需校正或裁剪输入图像_优质项目实战
激光slam A-LOAM
09-29
作为学习激光SLAM的入门框架，A-LOAM的代码可读性和框架思路都值得激光SLAM初学者仔细研读。这个框架使⽤Eigen以及Ceres-Solver对原始LOAM进⾏重构，在保证算法原理不变的前提下，对代码框架进⾏优化，使得代码变得...
Tuto_DrawTrajectory:教程
03-22
Tuto_Draw轨迹 教程：如何绘制像愤怒的小鸟一样的玩家轨迹（点路径）/ Unity教程： ： 点击图片观看视频教程： :red_heart:捐
从零手写VIO(2)
weixin_45559915的博客
06-21 313
从零手写VIO(2)
SLAM基础——李群李代数
bereze的博客
07-14 2522
李群李代数
《视觉SLAM十四讲从理论到实践 第二版》课后习题——ch4
a1446018093的博客
08-02 333
《视觉SLAM十四讲从理论到实践 第二版》课后习题
高翔视觉SLAM十四讲第三节课的课后作业中，解决由于模板类Sophus而导致的问题，第6题draw_trajectory.cpp新版代码
A1451ASD的博客
07-25 229
适用于模板类的Sophus函数的draw_trajectory.cpp
视觉SLAM理论与实践第三节课习题
qq_40247880的博客
09-13 744
第三节课习题 深蓝学院SLAM课程团队 2018 年 3 ⽉ 5 ⽇ 1 习题说明 • 第 i 节课习题所有材料打包在 Li.zip 中，∀i = 1…8。 • 习题分为若⼲种：计算类习题，需要读者编程计算⼀个实际问题，我们会附有参考答案以供⾃测。 操作类习题，会指导读者做⼀个具体的实验，给出中间步骤截图或结果。简述类习题则提供阅读材 料，需要读者阅读材料后，回答若⼲问题。 • 每个习题会有⼀定的分值。每次习题分值加和为 10 分。你需要获得 8 分以上才能得到“通过”的评 价。带 ∗ 的习题为附加题，会在
OpenGL的pangolin库绘制3D轨迹图
weixin_46417419的博客
04-07 1666
示例代码 #include <pangolin/pangolin.h> #include <Eigen/Geometry> #include <Eigen/Core> #include <unistd.h> // 本例演示了如何画出一个预先存储的轨迹 using namespace std; using namespace Eigen; // path to trajectory file string trajectory_file = "/home/
高博SLAM基础课第三次作业——轨迹绘图
任仁人的博客
10-20 869
作业描述 我为你准备了一个轨迹文件(code/trajectory.txt)。该文件的每一行由若干个数据组成,格式为 [t, t x , t y , t z , q x , q y , q z , q w ], 其中 t 为时间,t x , t y , t z 为 T W C 的平移部分,q x , q y , q z , q w 是四元数表示的 T W C 的旋转部分,q w 为四元数实部。同...
slam十四讲第四次作业_SLAM十四讲第三次作业-深蓝学院
weixin_32440261的博客
01-30 243
cmake_minimum_required(VERSION 2.8)project(draw_trajectory)# Check C++11 or C++0x supportinclude(CheckCXXCompilerFlag)CHECK_CXX_COMPILER_FLAG("-std=c++11" COMPILER_SUPPORTS_CXX11)CHECK_CXX_COMPILER_FL...
视觉slam十四讲-ch3
07-01
### 回答1： 《视觉SLAM十四讲》第三章主要介绍了视觉SLAM中的关键技术——特征提取和描述子。本章首先介绍了特征点的概念和特征点的选择原则。特征点即图像中具有鲁棒性和区分度的点，可以通过对其进行检测和描述来进行特征匹配和跟踪。在进行特征提取时，作者介绍了常见的特征检测算法，如Harris角点检测、SIFT和SURF算法等，并对其进行了比较和分析。 接着，本章详细阐述了特征描述子的概念和作用。特征描述子是对特征点周围区域的图像信息进行编码，以实现特征匹配和跟踪。常见的特征描述子包括SIFT、SURF和ORB等。作者从描述子的表示形式、计算方式和匹配方法等方面进行了介绍，并对它们进行了比较和评价。同时，还提到了基于二进制描述子的方法，如BRIEF、BRISK和FREAK等。 在特征匹配方面，本章介绍了特征描述子匹配的基本原理和流程。以基于特征点的视觉SLAM为例，作者详细解释了特征点的匹配过程，包括特征点的选择、特征点描述子匹配和筛选等步骤。并介绍了如何通过验证特征点的三角化和PnP求解来估计相机的位姿。 此外，本章还介绍了一些特定场景下的特征点选择和提取策略，如动态环境下的特征点追踪和关键帧选择等。 综上所述，《视觉SLAM十四讲》第三章主要介绍了特征提取和描述子在视觉SLAM中的重要性和应用。通过对特征点的检测和描述，可以实现特征匹配和跟踪，为后续的相机位姿估计和建图提供基础。该章内容详细且通俗易懂，对于学习和理解视觉SLAM有着重要的指导作用。 ### 回答2： 《视觉SLAM十四讲-Ch3》主要介绍了视觉SLAM（同时定位与建图）技术的基本原理和实现方法。本章主要涵盖了三维几何表示和变换、相机模型和相机姿态以及特征提取与匹配等内容。 首先，本章介绍了三维几何表示和变换的概念。通过介绍欧氏空间中的点、向量和坐标变换，深入解释了相机在三维空间中的位置和朝向的表示方式。同时，引入了齐次坐标和投影矩阵的概念，为后续的相机模型和姿态估计打下了基础。 其次，本章详细讲解了相机模型和相机姿态的原理与应用。其中，介绍了针孔相机模型，分析了图像坐标和相机坐标之间的映射关系。通过投影矩阵的推导，给出了透视投影和仿射投影的公式，并解释了相机焦距和主点的含义。此外，还介绍了如何通过计算相机的外参矩阵来估计相机的姿态，以及如何将图像坐标转换为相机坐标。 最后，本章介绍了特征提取与匹配的技术。首先，介绍了角点和边缘点的概念，以及如何利用差分和梯度计算来检测图像中的角点和边缘点。然后，介绍了如何通过特征描述符来表示图像中的特征点，并通过特征匹配算法找到两幅图像之间的对应关系。特征提取与匹配是视觉SLAM中非常重要的步骤，对于后续的相机定位和建图至关重要。 综上所述，《视觉SLAM十四讲-Ch3》通过系统地介绍了视觉SLAM技术的基本概念和实现方法，包括三维几何表示和变换、相机模型和相机姿态的原理与应用，以及特征提取与匹配的技术。这些内容为读者深入理解和掌握SLAM技术提供了很好的基础。 ### 回答3： 视觉SLAM（Simultaneous Localization and Mapping）是一种通过计算机视觉技术，实现机器智能的同时实时定位和地图构建的方法。在《视觉SLAM十四讲》第三讲中，主要介绍了视觉SLAM的基本概念和关键技术。 首先，讲解了视觉SLAM的理论基础，包括自我运动估计和地图构建两个部分。自我运动估计是通过相邻帧之间的视觉信息，计算相机在三维空间中的运动，从而实现机器的实时定位；地图构建是通过对场景中特征点的观测和跟踪，建立起一个三维空间中的地图。这两个过程相互影响，通过不断迭代优化，实现高精度的定位和地图构建。 接着，讲解了基于特征的视觉SLAM算法。特征提取与描述是建立视觉SLAM系统的关键步骤，通过提取场景中的特征点，并为其生成描述子，来实现特征点的匹配和跟踪。同时，还介绍了一些常用的特征点提取和匹配算法，如FAST、SIFT等。 在SLAM框架方面，本节还介绍了基于视觉的前端和后端优化。前端主要负责实时的特征跟踪和估计相机运动，后端则是通过优化技术，对前端输出的轨迹和地图进行优化求解，从而提高系统的精度和鲁棒性。 最后，本节提到了几个视觉SLAM的应用场景，如自主导航、增强现实等。这些应用对于实时高精度的定位和地图建立都有着很高的要求，因此，视觉SLAM的技术在这些领域有着广泛的应用前景。 总的来说，《视觉SLAM十四讲》第三讲对视觉SLAM的基本概念和关键技术进行了系统的介绍。理论基础、特征提取与描述、SLAM框架和应用场景等方面的内容都给出了详细的解释和案例，有助于读者更好地理解和应用视觉SLAM技术。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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

打赏作者

昼行plus

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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