Shilong的博客

标定结果为Lidar->IMU使用匀速运动模型去畸变的Fast-lio2得到激光里程计，通过将激光雷达原始帧分割成多个子帧来提高激光里程计的频率。激光里程计输出每帧扫描结束时刻tk​雷达的角速度ωLk​​和线速度GvLk​​。IMU原始数据提供角速度ωmi​​和线加速度ami​​。当满足足够激励的数据收集完毕，就启动初始化模块，输出时间偏移ItL​∈R，外参ITL​IRL​IpL​∈SE3，IMU偏置bω​。

evo工具是一款用于评估SLAM系统轨迹精度的命令行工具，主要包含六个常用命令：evo_ape（绝对位姿误差评估）、evo_rpe（相对位姿误差评估）、evo_traj（轨迹可视化与格式转换）、evo_res（结果比较）、evo_fig（图像重载）和evo_config（参数配置）。通过evo_config可设置绘图样式、字体、线宽等参数。evo_traj支持读取bag文件、格式转换和多轨迹可视化。evo_ape和evo_rpe分别计算轨迹的全局一致性和局部漂移误差。evo_res可用于对比不同评估结果。该

本文提出了一种将三维旋转分解为固定参考坐标系绕轴的旋转和正交轴旋转的方法。通过建立优化函数，采用最小二乘法估计，使正交轴旋转角度最小化。推导过程中将目标函数转化为最大化迹函数，并通过求导得到解析解。

摘要：惯性测量单元（IMU）包含加速度计和陀螺仪，分别测量线加速度和角速率。理想情况下，它们的坐标系应正交且中心对齐，但实际中存在非正交性、标度误差和偏差等误差。误差分为确定性误差（如偏置、标度、非正交性）和随机误差（如高斯白噪声、偏置随机游走）。确定性误差可通过标定补偿，而随机误差需建模处理。陀螺仪偏置导致角度误差随时间线性增长，加速度计偏置导致位置误差二次增长。高斯白噪声和偏置随机游走分别表现为随机游走和二阶/三阶随机游走误差。SLAM中常用简化IMU模型，仅考虑白噪声和偏置随机游走的影响。

这类方法的基本假设是：如果一个激光点的光路穿过了另一个激光点，那么另一个激光点就是动态点。这个假设逻辑上完全说得通，但实现起来有两个问题：其一，入射角接近90度时的误杀问题，如下图所示，红色箭头指向的旧点因为与新点（五角星）光路很接近，会被误杀掉，考虑到一帧激光点云本身的角度误差、测距误差、光斑影响等，这种误杀会更严重。

本文详细解析了港大Mars实验室的激光Bundle Adjustment中的数学问题

回环检测是指检测传感器的两次测量（如图像、激光雷达扫描）是否发生在同一场景，它是对于SLAM问题至关重要。STD-LCD可以高效地检测闭环，并提供可靠的闭环几何变换。此外，它可以处理小重叠回环检测的挑战情况。与其他描述符中使用的多边形相比，三角形更稳定，因为三角形的形状是给定边长（或夹角）唯一确定的。此外，三角形的形状对于刚性变换是完全不变的。与关键点附近的的局部描述符相比，三角形的形状是旋转和平移不变的。

livox雷达数据采集平台搭建

贝叶斯MAP状态估计：给定先验和观测的最优状态推断,

基于先验模型优化定位建图的算法：RLOAM\RO-LOAM

Ceres是由Google开发的开源C++通用非线性优化库，与g2o并列为目前视觉SLAM中应用最广泛的优化算法库。

最小二乘问题及其求解方法

QR分解算法

旋转的扰动、导数、积分，主要是四元数和SO(3)形式

流形上的Kalman Filter

误差状态卡尔曼滤波

针孔相机模型与畸变模型及内参标定方法

贝塞尔曲线与B样条曲线

Perspective-n-Point 是求解3D到2D点对运动的方法。它描述了已知n个3D空间点及其投影位置时，如何估计相机的位姿。

opencv

readings of hku_mars R3live & Fastlio2

Eigen的使用

多传感器标定

旋转的表示：旋转向量与四元数

扩展卡尔曼滤波

SLAM中的运动学知识

3D点-3D点的位姿估计：ICP迭代最近邻点

已知图像2D点与2D点的配对关系，计算相机运动与路标的空间坐标

紧耦合激光SLAM算法LIO-SAM

LeGO-LOAM

滤波算法的数学基础

1.压缩图片格式JPEG、PNG和trhero视频流格式转换2.ROS消息与OpenCV图片格式的转换

旋转运动的表示：旋转矩阵与欧拉角

LVI-SAM

经典激光SLAM算法LOAM

SLAM基础知识：李群李代数详解