#记录一下：slam十四讲，图优化的解析

最新推荐文章于 2025-04-29 14:03:17 发布
最新推荐文章于 2025-04-29 14:03:17 发布
阅读量319 收藏
点赞数
分类专栏： slam
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.youkuaiyun.com/CxC2333/article/details/109209715
版权

#记录一下：
图优化的解析
https://www.cnblogs.com/gaoxiang12/p/5244828.html

「零基础从零开始写VO视觉里程计」匹配的3D空间点求位姿并用g2o优化
小秋 AI SLAM 入门实战教程
05-28 1191
/ 视觉SLAM十四讲第二版第七讲代码 pose_estimation_3d3d.cpp class VertexPose : public g2o :: BaseVertex < 6 , Sophus :: SE3d > {public :} };
SLAM——图优化篇
热门推荐
Hansry的博客
09-20 3万+
1.图优化的入门 在上节中，直接用俩俩匹配搭建一个里程计，但是如果：1.错误匹配，整个图就会看起来很奇怪，就是错了。2.误差会累积，常见的现象是：相机转过去的过程能作对，但转回来就很奇怪。3.效率低。由于地图拼接中累计误差是个很严重的问题，所以要保证每次匹配都精确无误，而这是很难实现的。所以我们把所有整的信息都考虑进来，成为一个全slam问题。 姿态图（原理部分） 姿态图，是由相机姿态构成的...
SLAM十四讲---十一、位姿图优化
weixin_45634390的博客
04-03 961
首先先学习最小二乘问题。
SLAM十四讲-后端2-ch10-代码注释(位姿图优化)
joun772的博客
11-12 1617
一、李代数上的位姿图优化 源码如下: #include <iostream> #include <fstream> #include <string> #include <Eigen/Core> #include <g2o/core/base_vertex.h> #include <g2o/core/base_binary_edge.h> #include <g2o/core/block_solver.h> #includ
《视觉SLAM十四讲》第10讲——位姿图优化误差函数右乘形式雅克比矩阵推导
ASXFFF的博客
04-27 1045
前言 在学习《视觉SLAM十四讲》第10讲中位姿图优化时，误差函数右乘形式的雅克比矩阵如何推导？小白尝试推导一下书上的最后一步，若有错误还请指出。 推导过程 最后附上如何从第二步推导出右乘形式雅克比矩阵的文章链接：SLAM14讲学习笔记（七）后端（BA与图优化，Pose Graph优化的理论与公式详解、因子图优化） ...
关于图优化
诗筱涵的博客
08-22 572
最基本的图优化就是用图模型来表达一个非线性最小二乘的优化问题 《视觉SLAM十四讲》P142 G2O的全称是 Gerneral Graphic Optimization 名词就是说通用的图优化库 P141 可以用G2O进行曲线拟合。 位姿图的优化本质上是个最小二乘问题，优化变量为各个顶点的位姿。 P272 ...
高翔《视觉SLAM十四讲》第七章视觉里程计3d-2d位姿估计代码详解与理论解析
最新发布
GeekDongHuang的博客
04-29 1042
在代码中，高斯牛顿法设置迭代次数为10次，g2o图优化也进行10次迭代，这是在多次实验后确定的一个较为合适的值，能在保证一定精度的同时，控制计算时间。EPnP算法的封装实现：OpenCV将EPnP算法进行了封装，用户只需调用solvePnP函数，并传入3D点、2D点、相机内参矩阵等参数，即可得到相机的旋转向量r和平移向量t。误差计算方法：对于每一对3D - 2D对应点，将3D点通过相机位姿和内参矩阵投影到图像平面上，得到投影点，然后计算投影点与实际观测点之间的欧氏距离，即为该点的重投影误差。
视觉SLAM十四讲学习笔记——第六讲 非线性优化（2）
weixin_61294345的博客
10-25 744
这一节主要回顾一下Ceres、g20的使用。 1.Ceres、G2o源码安装方法 高博士的书中都有各个库的安装方法，但由于版本变化，个别安装方法可能并不适用。这里简单整理一下两个库的源码安装方法，其他的库之后有时间统一整理一下。 （1）Ceres安装 下载源码，下载地址：https://github.com/ceres-solver/ceres-solver 安装依赖项： sudo apt-get install liblapack-dev libsuitesp...
【读书笔记】《视觉SLAM十四讲（高翔著）》 第11讲
dahailuoa6的博客
07-02 1545
文章目录1、安装gtsam 本章程序编译运行方法： 1、安装gtsam 本章程序运行前需要安装gtsam，不然会有相关报错。 安装方法： 打开终端，输入以下命令下载gtsam： git clone https://bitbucket.org/gtborg/gtsam.git gtsam的安装文件下载后，会位于所打开终端对应的文件路径下。 安装gtsam之前先安装一项依赖库： sudo apt-g...
ORB-SLAM2源码逐行解析系列（二十三）：ORB-SLAM2闭环线程中的本质图优化
LDST_优快云的博客
10-23 285
​ 边在Sim(3)优化中是指地图点和Sim(3)位姿的投影关系，由于地图点和Sim(3)位姿都参与优化，因此是二元边。​ Sim(3)位姿优化发生在闭环检测过程中，仅对形成闭环的Sim(3)位姿进行优化，不优化地图点。但由于地图点与（当前关键帧之间）产生约束，因此顶点包括待优化的（当前关键帧的）Sim(3)位姿和地图点（固定住不优化）。v2：二元边的第1个顶点，即第j帧在世界坐标系下的Sim(3)位姿Sjw，观测量C表示观测到的第i帧到第j帧之间的Sim(3)变换Sji。
基于开源SLAM系统的设计与实现源码解析
10-06
本项目专注于开源SLAM系统的设计与实现源码解析，为我们提供了一个深入理解和学习SLAM技术的宝贵机会。项目的文件结构表明，它不仅仅包含了SLAM算法的C++实现，还涉及了多种文件类型，如图片、启动文件、配置文件、...
图优化
LISIMANHAHA的博客
12-13 655
一、图优化是什么 图由节点和边组成，SLAM问题怎么构成图优化呢？在图优化中，机器人的位姿是一个节点（node）或者顶点（vertex）,位姿之间的关系构成边（edge）。具体而言比如t+1时刻和t时刻之间的odometry关系构成边，或者由视觉计算出来的位姿转换矩阵可以构成边。一旦图建成，就要调整机器人的位姿尽量满足边构成的约束。 因此，图优化分成两个任务： 1、构建图 机器人位姿当做顶点，位姿...
图优化SLAM
weixin_42784393的博客
02-07 620
https://blog.youkuaiyun.com/heyijia0327/article/details/47686523添加链接描述
SLAM 图优化推荐文章
Mr_W1997的博客
02-17 766
http://www.w2bc.com/article/151160
视觉slam十四讲（1）
liuyangguo1995的博客
06-07 435
视觉slam十四讲（1）一、SLAM是什么？二、组织架构1、第一部分为数学基础篇2、第二部分为 SLAM 技术篇三、代码四、理论基础 一、SLAM是什么？ SLAM 是 Simultaneous Localization and Mapping 的缩写，中文译作“同时定位与地图构建”。它是指搭载特定传感器的主体，在没有环境先验信息的情况下，在运动过程中建立环境的模型，同时估计自己的运动 。 二、组织架构 1、第一部分为数学基础篇 •第二讲为 SLAM 系统概述，介绍一个 SLAM 系统由哪些模块组成，各模块
视觉SLAM十四讲第十一讲
weixin_40486179的博客
10-24 656
第十一讲 后端2 本节目标 理解 Pose Graph 优化。 理解因子图优化。 理解增量式图优化的工作原理。 通过实验掌握 g2o 的 Pose Graph 优化与 gtsam 的因子图优化。 一、位姿图 1）Pose Graph的意义 我们可以构建一个只有轨迹的图优化，而位姿节点之间的边，可以由两个关键帧之间通过特征匹配之后得到的运动估计来给定初始值。不同的是，一旦初始估计完成，我们就不再优化那些路标点的位置，而只关心所有的相机位姿之间的联系了。通过这种方式，我们省去了大量的特征点优化的计算，只保留了
SLAM后端：因子图优化
ljtx200888的博客
02-27 9964
（一）贝叶斯网络
ORBSLAM3的g2o优化之位姿图优化（PoseOptimization）
Walking_roll的博客
08-21 3515
目录
ORBSlam2的位姿优化算法
Xuefeng_BUPT的博客
07-24 1万+
ORBSlam2的位姿优化算法ORBSlam2中使用了对极约束，三角测量，PnP投影和BundleAdjustment算法 本文着重讲解在ORBSlam2中使用到的BundleAdjustment优化算法。
视觉slam14讲的第十三讲kitti
03-26
### 关于视觉SLAM 14讲第十三讲中的Kitti数据集教程 在《视觉SLAM十四讲》的第十三讲中，作者通过实际案例展示了如何构建一个简单的视觉SLAM系统，并使用KITTI数据集作为输入来验证系统的性能。以下是针对这一章节涉及的KITTI数据集的相关解释： #### KITTI数据集简介 KITTI（Karlsruhe Institute of Technology and Toyota Technological Institute）数据集是一个广泛应用于计算机视觉和自动驾驶领域的重要公开数据集[^3]。它提供了丰富的传感器数据，包括立体相机图像、激光雷达点云、GPS/IMU信息等。对于本章而言，重点在于利用其双目摄像头采集的图像序列来进行视觉SLAM的研究。 #### 使用KITTI数据集前的准备工作 为了能够顺利加载并处理来自KITTI的数据，在配置阶段需要完成如下操作： - 修改默认参数文件`default.yaml`内的字段`dataset_dir`至本地存储KITTI数据的具体位置[^4]。 例如设置成类似于这样的形式： ```yaml dataset_dir: /path/to/kitti/dataset/ ``` 此步确保程序可以找到对应的图片帧及其时间戳记录用于后续同步计算。 #### 正确启动应用程序的方法 当一切环境搭建完毕之后，应当返回项目根目录而非子文件夹如`/bin`去触发可执行脚本。具体命令如下所示[^5]: ```bash cd .. ./bin/run_kitti_stereo ``` 上述指令会调用预编译好的二进制文件以开启基于KITTI双目视频流上的实时定位映射流程。 #### 主要功能模块解析 整个框架围绕着几个关键组成部分展开运作，下面逐一阐述它们的作用机制: ##### 前端部分 负责从外界获取观测值进而估计当前时刻下的初始位姿猜测。通常采用ORB特征检测器匹配同名点对从而推导基础矩阵或者本质矩阵进一步恢复相对运动关系[^2]。 ##### 后端优化环节 鉴于仅依靠几何约束难以获得全局一致性的轨迹重建成果，因此引入非线性最小化求解策略调整所有节点间的连接权重直至收敛达到最优状态。值得注意的是这部分逻辑被封装在一个独立的工作单元里以便按需激活减少资源消耗。 ##### 可视化展示层 借助OpenGL或其他图形库绘制三维空间里的路标分布状况连同机器人行走路线共同呈现给用户直观感受算法表现优劣程度。 --- ###
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