I AM BACK

介绍FAST关键点rBRIEF描述子介绍目前SIFT特征准确度高，但是计算复杂度也高。很多时候需要用到匹配、追踪什么的，使用SIFT就比较慢。本文作者提出了ORB（Oriented FAST and Rotation BRIEF）特征。ORB有个特点是这个特征没有申请专利，另外这种特征的好处是：给FAST检测子方向和快速计算；高效计算带有方向的BRIEF特征关键点（keypoint 就是图

总述TrackMonocularmpTracker-GrabImageMonocularFrameExtractORBComputePyramidComputeKeyPointsOctTreeDistributeOctTreecomputeDescriptorscomputeOrientationTrack转载请注明出处：http://blog.youkuaiyun.com/c6022730

systemhsystemc的SystemSystemsystem.h这里包含了整个SLAM系统所需要的一起，通过看这个文件可以对ORB-SLAM系统有什么有一个大概的了解。不过之前我们需要对于多线程了解一些基本的东西——信号量【1】和多线程【2】。具体注释如下：/*** This file is part of ORB-SLAM2.** Copyright (C) 2014-2016 Ra

工具篇ORB-SLAM的代码框架转载请注明出处：http://blog.youkuaiyun.com/c602273091/article/details/54428693工具篇在看代码方面，有不少软件推荐。我觉得首推还是得Understand【1】，这个工具可以把代码的流程图、依赖关系、整个框架给描述出来。有钱的话，买正版。其次的话，我推荐SourceInsight。这个工具比较方便看出你的类的定义。我在

原理介绍哈希函数构造冲突处理举例拉链法hash索引跟B树索引的区别实现原理介绍哈希表（Hash table，也叫散列表）， 是根据关键码值(Key value)而直接进行访问的数据结构。也就是说，它通过把关键码值映射到表中一个位置来访问记录，以加快查找的速度。这个映射函数叫做散列函数，存放记录的数组叫做散列表。哈希表hash table(key，value) 的做法其实很简单，就是把K

介绍系统概述A特征匹配Bego-motion估计C立体匹配D3D重建实验结果运行结果及代码介绍从多个二维图片中重建3D影像是机器视觉必不可少的部分，这篇论文【1】提出的就是做3D重建的工作。这篇论文提出了一种巧妙的实时的方法做3D地图重建——使用稀疏特征和视觉里程计相结合的方法。这种方法包含了立体匹配和创建点云。用这种方法计算出来的视觉里程计是当年11年最好的。该法可以每秒执行25f，

非线性优化Bundle Adjustment位姿图优化相对Sim3优化graph SLAMg2o多角度几何学homographyfundamental matrix在ORB-SLAM中，地图初始化设计homography和fundamental matrix。在BA方面涉及cost function、optimization、李群。位姿优化方面有Sim约束。非线性优化Bundle A

IV自动地图初始化V追踪AORB特征提取B从前面的帧初始化位姿C从全局重定位来初始化位姿D追踪局部图E新的关键帧插入VI局部地图A关键帧插入B对近期的点云进行去冗余C新的点云生成D局部地图的BAE局部帧去冗余VII闭环检测A闭环的候选检测B计算相似转换C闭环融合D关键图的优化VII实验ANewCollege上的表现B在TUM benchmark中的定位准确度

摘要介绍相关工作地点识别地图初始化单目的SLAM系统概述特征选择三线程结构点云关键帧的选取covisibility graph和essential graphDBoW2对该论文进行讲解，同时看看自己有什么不懂的地方。摘要ORB-SLAM是一种基于特征的稀疏法的视觉SLAM，它不仅仅可以用于单目，还可以用于双目、RGBD（其实能够用于单目的一般都能够用于双目，单目的做法就是把连续

数据原理开放平台数据10000公里数据，涉及很多数据，自定位、决策、路况分析、POI 和高精地图。一是全景图片数据，二是汽车姿态数据。 关于图片数据，地图采集车采集到的是360度全景数据，但考虑到数据量太大，本次数据集中的数据是截取正前方320*320分辨率的图片，且图片下方与车头相切。 关于汽车姿态数据，主要公开了当前行驶速度，以及行驶轨迹的曲率。速度即为当前t0时刻的数据，分Vx和Vy两个分

introImplementationData for TrainingNetworkSimulationTestResourceintroNvidia在做自动驾驶的时候，思路和传统思路果然有些差异。比如Google使用的是激光雷达+摄像头+IMU+惯导系统+GPS等等。Nvidia做法是采取end2end的方法，就是直接从摄像头的像素->汽车的控制。就是把采集的图片作为输入，汽车的轮子

faster rcnn跑起来也是坑多呀，我的caffe版本比较新，然后需要更新faster rcnn里的caffe以及还有一些小问题。本博客就凌乱地整理一下安装faster rcnn中遇到的问题。更新cudnn问题hfd5跑自己的数据集can not set attribute最后结果更新cudnn问题：http://www.cnblogs.com/guanyu-zuike/p/59356

最近实验室新到了一个GPU服务器：2块GTX1080+2块至强CPU+256GSSD+64G内存+4T磁盘。然后因为做Semantic SLAM需要训练自己的很大的模型，所以需要装caffe。整个过程遇到了很多坑，最坑的当然就是显卡驱动这个问题。一方面ubuntu16.04、显卡都是比较新的版本，nvidia在这方面的支持也是一如既往地让人吐槽。在安装显卡驱动过程中，遇到了闪屏、循环登录等等问题。我

SLAM is short for simutaneous localization and mapping, which plays an important part in perception of robotics like autonomous driving or VR/AR.(In robotics, there are three component. Perception, con

EKF-SLAM First step to SLAM......