视觉SLAM十四讲 读书编程笔记 Chapte3 三维空间刚体运动

最新推荐文章于 2022-08-22 11:41:52 发布
最新推荐文章于 2022-08-22 11:41:52 发布
阅读量481 收藏
点赞数
分类专栏： SLAM 文章标签： SLAM十四讲
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/wolfcsharp/article/details/98463215
版权

三维空间刚体运动

旋转矩阵

内积和外积

内积：对于三维实数空间中的两个向量a,b,内积=aTb=a0b0+a1b1+a2b2=|a||b|cos<a,b>，内积可以描述两个向量间的投影关系。
外积：外积的方向垂直与这两个向量，大小为|a||b|sin<a,b>,是两个向量张成的四边形的有向面积。
在这里插入图片描述

值得强调的是，对于外积，我们引入了^符号，用这个符号将向量a转换成了一个反对称矩阵，所以该符号可以被看成是一个反对称符号。利用这个反对称符号就可以把外积a×b写成矩阵与向量的乘法，从而把它变成了线性运算。外积可以被用来表示向量的旋转。

在这里插入图片描述

w表示旋转向量，它的方向同时垂直于向量a和b，模值反映了旋转角度的大小。

坐标间的欧式变换

对于一个向量p，它在世界坐标系下的坐标pw和在相机坐标系下的坐标pc的变换，可以通过坐标系间的变换矩阵T来描述。

在这里插入图片描述

相机运动是一个刚体运动，它保证了同一个向量在各个坐标系下的长度和夹角都不会发生变化，这种变换称为欧式变换。
欧式变换由一个旋转和一个平移两部分组成。
首先考虑旋转：
假设某个单位正交基(e1,e2,e3)经过一次旋转变成了(e1’,e2’,e3’).那么对于同一个向量a，它在两个坐标系下的坐标为[a1,a2,a3]T和[a1’,a2’,a3’]T,那么有：

在这里插入图片描述

从而
在这里插入图片描述

我们把中间的矩阵定义成旋转矩阵R，它描述了同一个向量在旋转前后的坐标变换关系。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，可以把旋转矩阵的集合定义如下：
在这里插入图片描述

SO(n)是特殊正交群的意思，显然这里的特殊包括行列式等于1这条性质。通过旋转矩阵而不是基来描述相机的旋转显然更加简洁专业。
由于旋转矩阵为正交矩阵，它的逆(即转置)描述了一个相反的旋转。
a’=R-1a=RTa

再考虑平移：
a’=Ra+t
其中，t表示平移向量，通过上式，我们用一个旋转矩阵R和一个平移矩阵t完整地描述了一个欧式空间的坐标变换关系。

变换矩阵与齐次坐标

非齐次坐标表示多次坐标变换是很复杂的，例如，假设我们进行了两次坐标变换R1,t1和R2,t2,满足b=R1a+t1,c=R2b+t2,但是从a到c的变换为c=R2(R1a+t1)+t2,如果再继续多次坐标变换将会更加复杂，究其原因，发现每次变换都要加t,如果引入齐次坐标，式子将会变得非常简洁。
在这里插入图片描述

其中，T称为变换矩阵，它具有比较特别的结构：左上角为旋转矩阵R,右侧为平移矩阵t,左下角为0向量，右下角为1,这种矩阵又称为特殊欧式群。

在这里插入图片描述

与SO(3)一样，求解该矩阵的逆表示一个反向的变换
在这里插入图片描述

为了保持符号的简洁，对齐次坐标的符号与普通坐标的符号不加以区分，默认使用符合运算法则的那一种。
因此，可以将b=T1a,c=T2b表示成c=T2T1a,形式非常简洁。

实践：Eigen

1.ubuntu下Eigen的安装

sudo apt-get install libeigen3-dev

Eigen头文件的默认位置在"/usr/include/eigen3/"中.如果不确定，可以输入以下命令查找：

sudo updatedb
locate eigen3

2.Eigen头文件

//Eigen部分
#include <Eigen/Core>
//稠密矩阵的代数运算
#include <Eigen/Dense>

3.Eigen::Matrix()

Eigen以矩阵为基本数据单元。它是一个模板类。它的前三个参数为：数据类型，行，列。
例如：声明一个2行3列的float矩阵

Eigen::Matrix<float,2,3> matrix_23;

Vector3d实质上是Eigen::Matrix<double,3,1>
Matrix3d实质上是Eigen::Matrix<double,3,3>
//动态大小的矩阵
Eigen::Matrix<double,Eigen::Dynamic,Eigen::Dynamic> matrix_dynamic;
//更简单的动态大小矩阵
Eigen::MatrixXd matrix_x;

4.用<<为矩阵输入数据

matrix_23<<1,2,3,4,5,6;

5.用()访问矩阵中的元素

matrix_23(i,j);//访问第i行第j列的数据

6.矩阵相乘

注意：这里不能直接混合两种不同类型的矩阵相乘,应该显式转换

v_3d<<3,2,1;
Eigen::Matrix<double,2,1> result = matrix_23.cast<double>() * v_3d;

7.矩阵转置

matrix_33.transpose()

8.矩阵各个元素的和

matrix_33.sum()

9,矩阵的迹

matrix_33.trace()

10.矩阵数乘

10*matrix_33

11.矩阵直接求逆

matrix_33.inverse()

12.求矩阵的行列式

matrix_33.determinant()

13.生成随机矩阵

Eigen::Matrix3d::Random()
Eigen::MatrixXd::Random(MATRIX_SIZE,MATRIX_SIZE)等

14.求特征值和特征向量

Eigen::SelfAdjointEigenSolver<Eigen::Matrix3d> eigen_solver(matrix_33.transpose() * matrix_33);
cout<< "Eigen values = " << eigen_solver.eigenvalues() <<endl;
cout<< "Eigen vectors = " << eigen_solver.eigenvectors() <<endl;

15.解方程

	//我们求解matrix_NN * x = v_Nd这个方程
	//N由宏定义指定，矩阵由随机数生成
	//直接求逆自然是最直接的，但是求逆运算量大
	Eigen::Matrix<double, MATRIX_SIZE, MATRIX_SIZE> matrix_NN;
	matrix_NN = Eigen::MatrixXd::Random(MATRIX_SIZE,MATRIX_SIZE);
	Eigen::Matrix<double, MATRIX_SIZE, 1> v_Nd;
	v_Nd = Eigen::MatrixXd::Random(MATRIX_SIZE, 1);

	clock_t time_stt = clock();//开始计时
	//直接求逆
	Eigen::Matrix<double, MATRIX_SIZE, 1> x = matrix_NN.inverse() * v_Nd;
	cout<< "Time use in normal inverse is:"<< 1000*(clock()-time_stt)/(double)CLOCKS_PER_SEC<<"ms"<<endl;

	//通常用矩阵分解来求逆，例如QR分解，速度会快很多
	time_stt = clock();
	x = matrix_NN.colPivHouseholderQr().solve(v_Nd);
	cout<< "Time use in Qr conposition is:"<< 1000*(clock()-time_stt)/(double)CLOCKS_PER_SEC<<"ms"<<endl;

完整代码：

#include <iostream>
#include <ctime>
using namespace std;

//Eigen部分
#include <Eigen/Core>
//稠密矩阵的代数运算（逆、特征值等）
#include <Eigen/Dense>

#define MATRIX_SIZE 50


//演示Eigen基本类型的使用
int main()
{
	//Eigen以矩阵为基本数据单元。它是一个模板类。它的前三个参数为：数据类型，行，列
	//声明一个2×3的float矩阵
	Eigen::Matrix<float,2,3> matrix_23;

	//同时，Eigen通过typedef提供了许多内置类型，不过底层仍是Eigen:Matrix
	//例如，Vector3d实质上是Eigen::Matrix<double,3,1>
	Eigen::Vector3d v_3d;

	//还有Matrix3d实质上是Eigen::Matrix<double,3,3>
	Eigen::Matrix3d matrix_33 = Eigen::Matrix3d::Zero();//初始化为0
	
	//如果不确定矩阵大小，可以使用动态大小的矩阵
	Eigen::Matrix<double,Eigen::Dynamic,Eigen::Dynamic> matrix_dynamic;

	//更简单的
	Eigen::MatrixXd matrix_x;

	



	//下面是对矩阵的操作
	//输入数据
	matrix_23<<1,2,3,4,5,6;
	//输出
	cout<<matrix_23<<endl;
	

	//用()访问矩阵中的元素
	for(int i=0; i<1; i++)
	{
		for(int j=0; j<2; j++)
		{
			cout<<matrix_23(i,j)<<endl;
		}
	}


	//
	v_3d<<3,2,1;
	//矩阵和向量相乘(实际上仍是矩阵和矩阵相乘)
	//但是在这里不能混合两种不同类型的矩阵，下面这样写是错的
	//Eigen::Matrix<double,2,1> result_wrong_type = matrix_23 * v_3d;
	//应该显式转换
	Eigen::Matrix<double,2,1> result = matrix_23.cast<double>() * v_3d;
	cout << result << endl;
	
	//同样也不能搞错矩阵的维度
	//Eigen::Matrix<double,2,3> result_wrong_dimension = matrix_23 * v_3d;


	
	//一些矩阵运算
	matrix_33 = Eigen::Matrix3d::Random();//随机生成一些数据
	cout << matrix_33 << endl;
	
	cout<< matrix_33.transpose() <<endl;//转置
	cout<< matrix_33.sum() <<endl;//各元素和
	cout<< matrix_33.trace() <<endl;//迹
	cout<< 10*matrix_33 <<endl;//数乘
	cout<< matrix_33.inverse() <<endl;//逆
	cout<< matrix_33.determinant() <<endl;//行列式

	//特征值
	//实对陈矩阵可以保证对角化成功
	Eigen::SelfAdjointEigenSolver<Eigen::Matrix3d> eigen_solver(matrix_33.transpose() * matrix_33);
	cout<< "Eigen values = " << eigen_solver.eigenvalues() <<endl;
	cout<< "Eigen vectors = " << eigen_solver.eigenvectors() <<endl;
	

	//解方程
	//我们求解matrix_NN * x = v_Nd这个方程
	//N由宏定义指定，矩阵由随机数生成
	//直接求逆自然是最直接的，但是求逆运算量大
	Eigen::Matrix<double, MATRIX_SIZE, MATRIX_SIZE> matrix_NN;
	matrix_NN = Eigen::MatrixXd::Random(MATRIX_SIZE,MATRIX_SIZE);
	Eigen::Matrix<double, MATRIX_SIZE, 1> v_Nd;
	v_Nd = Eigen::MatrixXd::Random(MATRIX_SIZE, 1);

	clock_t time_stt = clock();//开始计时
	//直接求逆
	Eigen::Matrix<double, MATRIX_SIZE, 1> x = matrix_NN.inverse() * v_Nd;
	cout<< "Time use in normal inverse is:"<< 1000*(clock()-time_stt)/(double)CLOCKS_PER_SEC<<"ms"<<endl;

	//通常用矩阵分解来求逆，例如QR分解，速度会快很多
	time_stt = clock();
	x = matrix_NN.colPivHouseholderQr().solve(v_Nd);
	cout<< "Time use in Qr conposition is:"<< 1000*(clock()-time_stt)/(double)CLOCKS_PER_SEC<<"ms"<<endl;

	return 0;

}

CMakeLists.txt文件

#添加Eigen的头文件
include_directories("/usr/include/eigen3")

#添加一个可执行程序
add_executable( eigenMatrix eigenMatrix.cpp )

运行结果：

在这里插入图片描述

旋转向量和欧拉角

旋转向量

引入旋转向量的原因：
1.旋转矩阵具有冗余性：SO(3)的旋转矩阵具有9个量，但是一次旋转本质上只有3个自由度。同理，变换矩阵用16个量表达了6个自由度，也具有冗余性。
2.旋转矩阵自身带有约束：它必须是行列式为1的正交矩阵，这些约束将使得优化一个旋转矩阵\变换矩阵变得困难。

旋转向量：
使用一个向量，其方向n与旋转轴一致，而长度等旋转角theta，这种向量称为旋转向量。
同理，对于变换矩阵，我们使用一个旋转向量和一个平移向量即可表达一次变换。

旋转向量与旋转矩阵的相互转换由罗德里格斯公式表明：
由旋转向量转换成旋转矩阵：在这里插入图片描述

由旋转矩阵转化为旋转向量：
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
转轴n是旋转矩阵R特征值1对应的特征向量。

欧拉角

rpy欧拉角采用的旋转顺序是ZYX，ZYX转角相当于把任意旋转分解成以下三个轴上的转角：
1.绕物体的Z轴旋转，得到偏航角yaw
2.绕旋转之后的Y轴旋转，得到俯仰角pitch
3.绕旋转之后的X轴旋转，得到转滚角roll
此时，可以使用[r,p,y]T这样一个三维的向量描述任意旋转。
欧拉角的一个重大缺点是会碰到著名的万向锁问题：在俯仰角为±90度时，第一次旋转与第三次旋转将使用同一个轴，使得系统丢失了一个自由度(由三次旋转变成了两次旋转)。
在这里插入图片描述

四元数

四元数的定义

旋转矩阵表达不紧凑，旋转向量表达具有奇异性，事实上，我们找不到不带奇异性的三维向量描述方式。
四元数是一种扩展的复数，它既是紧凑的，也没有奇异性，但是其表达不够直观，运算也稍复杂。
定义：一个四元数q拥有一个实部和三个虚部。q=q0+q1i+q2j+q3k,其中这三个虚部满足以下关系式：

在这里插入图片描述

用用一个标量和一个向量来表达之：
在这里插入图片描述

这里s称为四元数的实部，而v称为它的虚部。如果一个四元数的虚部为0，称之为实四元数，反之，若它的实部为0，则称之为虚四元数。
复数的乘法可以表示复平面的旋转，比如，乘上复数i相当于逆时针把一个复向量旋转90度。四元数也具有相似的性质。只不过这里，乘以i对应着绕i轴旋转180度，而绕着i轴旋转360度会得到一个跟原来相反的东西，这个东西要再旋转360度才会和它原来的样子相等。

四元数与旋转向量的相互转换

假设某个旋转是绕单位向量n=[nx,ny,nz]T进行了角度为theta的旋转，那么
从旋转向量转化为四元数：
在这里插入图片描述

从四元数转换为旋转向量：
在这里插入图片描述

注意：这里有一些奇怪的地方，旋转向量旋转360度仍然为它本身，而四元数旋转360度则变为它的相反数。因此，在四元数中，任意的旋转都可以由两个互为相反数的四元数表示。

四元数的运算

现有两个四元数qa和qb,它们的向量表示为[sa,va],[sb,vb]

  1. 加法和减法
    qa+qb=[sa+sb,va+vb]
    qa-qb=[sa-sb,va-vb]

  2. 乘法
    乘法将qa 与 qb 的每一项相乘，然后相加，合并项。
    在这里插入图片描述
    或者
    在这里插入图片描述

  3. 共轭
    四元数的共轭是把虚部取成相反数：
    在这里插入图片描述
    四元数共轭与其本身相乘，会得到一个实四元数，其实部为模长的平方
    在这里插入图片描述

  4. 模长

在这里插入图片描述
可以验证，两个四元数乘积的模即为模的乘积:
在这里插入图片描述

  1. 逆
    在这里插入图片描述
    按照这个定义，四元数和自己逆的乘积为实四元数1
    在这里插入图片描述
  2. 数乘和点乘
    数乘：
    kq=[ks,kv]
    点乘:
    在这里插入图片描述

用四元数表示旋转

假设有一个空间三维点p=[x,y,z]以及一个由轴角n,theta指定的旋转，三维点p经过旋转之后变为p’。
如果用旋转向量R来表示这个旋转，那么很显然：p’=Rp
如果用四元数来表示：
把三维空间点用一个虚四元数来表示，p=[0,x,y,z]=[0,v],这相当于把四元数的三个虚部与空间中的三个轴相对应。
把轴角表示成四元数q
在这里插入图片描述

那么用四元数来表示这个点的旋转为：
p’ = qpq-1

四元数与旋转矩阵的相互转换

设四元数q=q0+q1i+q2j+q3k,则对应的旋转矩阵为R。
四元数转换为旋转矩阵：
在这里插入图片描述
旋转矩阵转换为四元数：
设旋转矩阵在这里插入图片描述
则：
在这里插入图片描述
注意：实际上，由于q和 -q 表示同一个旋转，所以一个R对应的四元数表示并不是唯一的。

相似、仿射、射影变换

实践：Eigen几何模块

1.Eigen中各种形式的表达方式

在这里插入图片描述

2.将旋转向量转换成旋转矩阵

rotation_vector.matrix()
或
rotation_matrix = rotation_vector.toRotationMatrix();

3.用旋转向量进行坐标转换

Eigen::Vector3d v(1,0,0);
Eigen::Vector3d v_rotated = rotation_vector*v;
cout << "(1,0,0)after rotation="<<v_rotated.transpose()<<endl;

4.用旋转矩阵进行坐标转换

v_rotated = rotation_matrix*v;

5.将旋转矩阵转换成欧拉角

Eigen::Vector3d euler_angles = rotation_matrix.eulerAngles(2,1,0);//ZYX顺序，即yaw pitch roll顺序
cout << "yaw,pitch,roll = "<<euler_angles.transpose()<<endl;

6.用旋转向量和平移向量构建欧式变换矩阵

Eigen::Isometry3d T=Eigen::Isometry3d::Identity();//虽然称为3d，实质上是4×4的矩阵
T.rotate(rotation_vector);//按照旋转向量rotation_vector进行旋转
T.pretranslate(Eigen::Vector3d(1,3,4));//把平移向量设置成(1,3,4)
cout<<"Transform matrix = \n"<<T.matrix()<<endl;

7.用变换矩阵进行坐标变换

Eigen::Vector3d v_transformed = T*v;//这相当于R*v+t
cout<<"v transformed = "<<v_transformed.transpose()<<endl;

8.将旋转向量转换成四元数

Eigen::Quaterniond q = Eigen::Quaterniond(rotation_vector);
cout<<"quaternion = \n"<<q.coeffs()<<endl;//这里coeffs的顺序是(x,y,z,w),w为实部，前三者为虚部

9.将旋转矩阵转换成四元数

q = Eigen::Quaterniond(rotation_matrix);

10.用四元数进行坐标变换

v_rotated = q*v;//这里用的是重载的乘法，数学上是qvq^{-1}
cout<<"(1,0,0) after rotation = "<<v_rotated.transpose()<<endl;

完整代码

//2019.08.04
#include <iostream>
#include <cmath>
using namespace std;

#include <Eigen/Core>
//Eigen几何模块
#include <Eigen/Geometry>

//Eigen几何模块使用方法演示
int main()
{
	//Eigen/Geometry模块提供了各种旋转和平移的表示
	//3D旋转矩阵直接使用Matrix3d或者Matrix3f
	Eigen::Matrix3d rotation_matrix = Eigen::Matrix3d::Identity();//将旋转矩阵初始化为单位阵
	//旋转向量使用AngleAxis,它底层不直接是Matrix，但运算可以当作矩阵(因为重载了运算符)
	Eigen::AngleAxisd rotation_vector(M_PI/4,Eigen::Vector3d(0,0,1));//将旋转向量初始化为沿Z轴旋转度

	//将旋转向量转换成旋转矩阵
	//cout.percision(3);
	cout << "rotation matrix = \n"<<rotation_vector.matrix()<<endl;
	//转换方式2,可以直接赋值给旋转矩阵
	rotation_matrix = rotation_vector.toRotationMatrix();

	//用旋转向量进行坐标转换
	Eigen::Vector3d v(1,0,0);
	Eigen::Vector3d v_rotated = rotation_vector*v;
	cout << "(1,0,0)after rotation="<<v_rotated.transpose()<<endl;

	//用旋转矩阵进行坐标转换
	v_rotated = rotation_matrix*v;
	cout << "(1,0,0)after rotation="<<v_rotated.transpose()<<endl;

	//将旋转矩阵转换成欧拉角
	Eigen::Vector3d euler_angles = rotation_matrix.eulerAngles(2,1,0);//ZYX顺序，即yaw pitch roll顺序
	cout << "yaw,pitch,roll = "<<euler_angles.transpose()<<endl;

	//用旋转向量和平移向量构建欧式变换矩阵
	Eigen::Isometry3d T=Eigen::Isometry3d::Identity();//虽然称为3d，实质上是4×4的矩阵
	T.rotate(rotation_vector);//按照旋转向量rotation_vector进行旋转
	T.pretranslate(Eigen::Vector3d(1,3,4));//把平移向量设置成(1,3,4)
	cout<<"Transform matrix = \n"<<T.matrix()<<endl;
	
	//用变换矩阵进行坐标变换
	Eigen::Vector3d v_transformed = T*v;//这相当于R*v+t
	cout<<"v transformed = "<<v_transformed.transpose()<<endl;

	//对于仿射和射影变换，使用Eigen::Affine3d和Eigen::Projective3d即可，这里略
	
	//将旋转向量转换成四元数
	Eigen::Quaterniond q = Eigen::Quaterniond(rotation_vector);
	cout<<"quaternion = \n"<<q.coeffs()<<endl;//这里coeffs的顺序是(x,y,z,w),w为实部，前三者为虚部
	
	//将旋转矩阵转换成四元数
	q = Eigen::Quaterniond(rotation_matrix);

	//用四元数进行坐标变换
	v_rotated = q*v;//这里用的是重载的乘法，数学上是qvq^{-1}
	cout<<"(1,0,0) after rotation = "<<v_rotated.transpose()<<endl;

	return 0;
	
}

运行结果

在这里插入图片描述

Leo-Ma
关注
专栏目录
视觉SLAM笔记（12） 四元数
氢键H-H
09-28 1万+
四元数的定义、运算、旋转表示、旋转矩阵转换
通俗易懂！视觉slam第四部分——slam刚体三维空间运动
01-20
总结来说，视觉SLAM中的刚体三维空间运动涉及向量的内积和外积、旋转矩阵以及平移向量，这些数学工具共同构建了描述和理解相机在空间中运动的基础。通过理解和应用这些概念，我们可以有效地解决SLAM问题中的定位和...
三维空间中刚体运动
陈建驱的博客
02-21 1536
个人博客：http://www.chenjianqu.com/ 原文链接：http://www.chenjianqu.com/show-82.html 本文是总结<视觉SLAM14讲>所做的笔记。在前面的博文ROS-坐标转换(TF)介绍了ROS中的坐标变换通信的机制，但是没有提到坐标变换本身，因此这篇博文补充这些基本概念。 两个坐标系之间的运动由一个旋转加上一个平移组成...
视觉SLAM十四讲学习笔记——第三章 三维空间刚体运动
Nova的博客
01-21 1988
视觉slam十四讲学习笔记——第三章 三维空间刚体运动3.1 旋转矩阵3.1.1 点、向量和坐标系3.1.2 坐标系中的欧式变换 3.1 旋转矩阵 3.1.1 点、向量和坐标系 一个空间点的位置可以由三个坐标指定。对于刚体而言，不仅有位置，还应该有姿态。相机也可以看成三维空间的刚体，位置是指相机在空间中的哪个地方，姿态是指相机的朝向。 点和向量构成空间中最基本的元素，我们规定坐标系中的点我们...
视觉SLAM学习笔记4——三维空间刚体运动
weixin_52519143的博客
08-22 583
视觉SLAM学习笔记4——三维空间刚体运动
视觉SLAM十四讲学习笔记-第三讲-旋转向量、欧拉角、四元数
weixin_36773706的博客
11-01 1458
旋转向量 矩阵表示方式至少有以下几个缺点： 1.SO(3)的旋转矩阵有9个量，但一次旋转只有3个自由度。因此这种表达方式是冗余的。同理，变换矩阵用16个量表达了6自由度的变换。 2.旋转矩阵自身带有约束：它必须是个正交矩阵，且行列式为 1。变换矩阵也是如此。当想要估计或优化一个旋转矩阵/变换矩阵时，这些约束会使得求解变得更困难。 因此，我们希望有一种方式能够紧凑地描述旋转和平移。例如，用一个三维向量表达旋转，用六维向量表达变换。事实上，任意旋转都可以用一个旋转轴和一个旋转角来刻画。于是，我们可以使用
高翔视觉slam十四讲有完整库的代码文件
09-20
因为高翔视觉slam十四讲文件里面的，3rdparty文件夹下下载下来是空的，所以这里有专门的已经下载好了的文件夹供大家使用，不用再自己下载了，避免因版本不同而编译错误。 操作： 1、库文件中如果有build文件夹的...
视觉slam十四讲
02-22
《视觉SLAM十四讲》是一本深入探讨视觉Simultaneous Localization And Mapping（SLAM）技术的资源分享。SLAM是机器人领域的一个核心问题，它涉及如何让机器人在未知环境中同时定位自身位置并构建环境地图。这门技术...
60.自定义View练习（五）高仿小米时钟 - 使用Camera和Matrix实现3D效果
猴菇同学的博客
01-22 1万+
一直觉得小米的时钟很精美，那这次就搞它~这次除了练习自定义View，还涉及到使用Camera和Matrix实现3D效果
Eigen（3）矩阵Matrix及其简单操作
热门推荐
CSDN1HAO的博客
08-03 9万+
1. Matrix类     在Eigen，所有的矩阵和向量都是Matrix模板类的对象，Vector只是一种特殊的矩阵（一行或者一列）。     Matrix有6个模板参数，主要使用前三个参数，剩下的有默认值。 Matrix&lt;typename Scalar, int RowsAtCompileTime, int ColsAtCompileTime&gt; Scalar是表示元素的...
Web 三维矩阵matrix3d详解
qq_35543489的博客
02-06 8376
文章目录前言一、3D平面的矩阵由来？二、平移公式推导推导矩阵三、缩放推导矩阵四、旋转单位圆公式推导推导矩阵绕Z轴旋转绕X轴旋转绕Y轴旋转结论五、CSS3中matrix3d() 使用总结 前言 前面Web二维矩阵matrix详解我们已经说过了二维矩阵了，现在我们来说下三维空间当中的矩阵吧~ 一、3D平面的矩阵由来？ 我们的3D平面坐标系，有x，y，z三个坐标体系，那么不管我们怎么对图片进行变换，归根结底都是对x，y，z 坐标的变换。 对于三维我们使用的是一个4x4的矩阵，类似这样： (a00a01a02a
工业机器人四点法标定TCP原理
wolfcsharp的博客
09-20 1万+
IMU计算欧拉角及位移的方法
wolfcsharp的博客
10-06 8587
通过加速度计和陀螺仪计算欧拉角 MPU6050姿态解算2-欧拉角&旋转矩阵 通过加速度计
视觉SLAM十四讲 读书编程笔记 Chapter6 非线性优化
wolfcsharp的博客
08-28 1649
Chapter6 非线性优化实践：Ceres1. 安装Ceres依赖库2. 编译安装Ceres3. 曲线拟合问题描述4. ceres使用方法5.完整代码实践：g2o1.安装g2o依赖库2.编译安装g2o3. g2o使用方法 实践：Ceres 1. 安装Ceres依赖库 sudo apt-get install liblapack-dev libsuitesparse-dev libcxsparse...
树莓派3B安装opencv
wolfcsharp的博客
11-07 1408
颜色识别
视觉SLAM十四讲 读书编程笔记 Chapter13 建图
wolfcsharp的博客
08-30 1323
Chapter13 建图单目稠密重建极线搜索与块匹配高斯分布的深度滤波器实践：单目稠密重建实验分析与讨论像素梯度问题逆深度图像间的变换完整代码：RGB-D稠密建图实践：点云地图实践：八叉树地图 单目稠密重建 极线搜索与块匹配 如图所示，左边的相机观测到了某个像素p1，由于这是一个单目相机，我们无从知道它的深度。 图 就像对极几何中描述的一样，p1对应的空间点会落在右边相机拍摄的图像的极线l2上。 ...
2020.10.13重读 PVN3D：A Deep Point-wise 3D Keypoints Voting Network for 6DoF Pose Estimation
wolfcsharp的博客
10-13 1161
PVN3D：A Deep Point-wise 3D Keypoints Voting Network for 6DoF Pose Estimation1.背景信息2.方法3. Loss4.实验结果4.1 LineMOD数据集4.2 YCB数据集5. 读后感6. 这篇文章的报告ppt 1.背景信息 1.输入RGBD图像 2.两阶段位姿估计方法： 先找到model和scene中的点的对应关系，然后用LS或者PnP进行位姿解算。 作者说end to end的方法，直接回归与旋转有关的量，需要神经网络考虑旋转空间
视觉slam十四讲笔记
最新发布
08-13
在《视觉SLAM十四讲》中，章节安排如下： 1. 数学基础部分：介绍这本书的基本信息，包括自测题。概述SLAM系统的组成和各模块的工作。介绍三维空间运动、李群和李代数、针孔相机模型以及非线性优化。完成一个曲线...
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
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