从零开始学习 VIO 系列
关注
分享
扫一扫
文章平均质量分 91
GuNight
大厂算法工程师 [SLAM，自动驾驶在线建图，车辆传感器内外参标定]
展开
-
从零开始学习VIO笔记 --- 第五讲：滑动窗口算法实践：【逐行手写求解器】【作业】
从零开始学习VIO笔记 --- 第五讲：滑动窗口算法实践：【逐行手写求解器】【作业】 一. 题目二. 解答2.1 完成单目 Bundle Adjustment 求解器 problem.cc 中的部分代码2.2 完成滑动窗口算法测试函数一. 题目二. 解答2.1 完成单目 Bundle Adjustment 求解器 problem.cc 中的部分代码2.2 完成滑动窗口算法测试函数...原创 2020-08-16 17:08:17 · 274 阅读 · 0 评论 -
从零开始学习VIO笔记 --- 第五讲：滑动窗口算法实践【逐行手写求解器】
从零开始学习VIO笔记 --- 第五讲：滑动窗口算法实践：【逐行手写求解器】 一. 知识回顾最小二乘求解器滑动窗口算法VINS-Mono 中的滑动窗口算法二. 代码一. 知识回顾最小二乘求解器滑动窗口算法VINS-Mono 中的滑动窗口算法二. 代码类似 g2o 框架求解 ； （后续再使用真正的g2o求解，以及g2o的基本应用，见后续文章）...原创 2020-08-16 17:07:34 · 661 阅读 · 0 评论 -
slam 基本算法 --- 分别使用 【高斯牛顿，g2o】进行曲线拟合 （理论+实践）
slam 基本算法 --- 分别使用 【高斯牛顿，g2o】进行曲线拟合 （理论+实践） 一. 曲线拟合 --- 高斯牛顿1.1 问题描述1.2 代码1.3 结果二. 曲线拟合 --- g2o2.1 问题描述2.2 代码定义顶点定义边mian() ---生成观测数据构建图执行优化和结果输出通过本次简单实践，详解高斯牛顿和g2o的应用参照《slam14讲 第二版》一. 曲线拟合 — 高斯牛顿1.1 问题描述问题： 求解一条满足以下方程的曲线y=exp(ax2+bx+c)+w y = exp(ax^原创 2020-08-28 20:52:44 · 1603 阅读 · 3 评论 -
从零开始学习VIO笔记 --- 第四讲：滑动窗口（基于滑动窗口算法的 VIO 系统：可观性和一致性）【作业】
从零开始学习VIO笔记 --- 第四讲：滑动窗口（基于滑动窗口算法的 VIO 系统：可观性和一致性）【作业】 一. 题目二. 解答2.1 第一题2.2 第二题2.2.1 代码一. 题目二. 解答2.1 第一题2.2 第二题准备知识 单目BA优化，构建重投影误差函数， 误差项为 理论投影值减去实际测量值误差关于相机位姿李代数的雅克比矩阵：误差是由观测值减预测值定义，所以前面带了负号;若是预测减观测值 那么去掉负号se(3) 的定义方式是旋转在前，平移在后时，只要把这个矩阵的前三原创 2020-08-13 23:14:24 · 613 阅读 · 0 评论 -
从零开始学习VIO笔记 --- 第四讲：滑动窗口（基于滑动窗口算法的 VIO 系统：可观性和一致性）
从零开始学习VIO笔记 --- 第四讲：滑动窗口（基于滑动窗口算法的 VIO 系统：可观性和一致性） 一. 从高斯分布到信息矩阵1.1 高斯分布1.2 高斯分布和协方差矩阵1.3 信息矩阵二. marginalization (边缘化) 与 舒尔补一. 滑动窗口算法滑动窗口算法导致的问题滑动窗口中的 FEJ 算法前一讲中有提到整个残差函数由三部分组成，其中第一部分就是滑动窗口的先验，这一讲主要就是讲如何在去除一帧信息的时候向整个残差添加约束。一. 从高斯分布到信息矩阵1.1 高斯分布首先对SLA原创 2020-08-13 14:21:08 · 782 阅读 · 1 评论 -
从零开始学习VIO笔记 --- 第三讲：基于优化的IMU和视觉信息融合（ 作业）
从零开始学习VIO笔记 --- 第三讲：基于优化的IMU和视觉信息融合（ 作业） （后续有时间补上）原创 2020-08-12 22:07:46 · 316 阅读 · 0 评论 -
从零开始学习VIO笔记 --- 第三讲：基于优化的IMU和视觉信息融合
从零开始学习VIO笔记 --- 第三讲：基于优化的IMU和视觉信息融合 一. 预备知识1.1 知识点概述1.2 PnP 中的重投影误差函数1.3 后端优化中重投影误差函数/BA问题二. VIO 信息融合问题2.1 问题提出2.2 线性最小二乘简介2.3 VIO 残差函数的构建2.3.1 VIO 误差函数：2.3.2 系统需要优化的状态量2.3.3 视觉重投影误差2.3.4 逆深度参数化2.3.5 VIO 中基于逆深度的重投影误差2.3.6 IMU 测量值积分2.3.6 IMU 预积分2.3.7 IMU 的原创 2020-08-12 21:44:33 · 713 阅读 · 0 评论 -
从零开始学习VIO笔记 --- 第二讲：IMU 数据仿真(分析+代码)
从零开始学习VIO笔记 --- 第二讲：IMU 数据仿真(分析+代码） 一.理论分析1.1 机器人的位姿1.2 imu的角速度 和线加速度1.3 对imu数据添加噪声1.4 问题二.代码2.1 模型建立与产生数据2.2 保存相机位姿2.3 imu数据添加噪声2.4 使用imu的动力学模型（离散积分得到位姿）验证数据以及模型的准确性一.理论分析机器人身上携带了相机与imu传感器世界坐标系/惯性系为www ; imu的坐标系作为body系 bbb; 相机坐标系为 ccc ; bbb系与ccc系的外参原创 2020-08-10 18:59:02 · 3924 阅读 · 2 评论 -
从零开始学习VIO笔记 --- 第二讲：VIO概述，IMU,IMU的标定
从零开始学习VIO笔记 --- 第二讲：VIO概述，IMU相关模型介绍 一. VIO融合1.1 紧耦合1.2 松耦合二. imu 误差模型imu 的误差标定（后续补上）三. imu的数学模型3.1 加速度计数学模型3.2 陀螺仪数学模型四. VIO 中的 imu模型五. 连续时间下 IMU 运动模型5.1 IMU 运动模型5.2 运动模型的离散积分——欧拉法5.3 运动模型的离散积分——中值法 (重要)一. VIO融合1.1 紧耦合融合过程本身会影响视觉和 IMU 中的参数（如 IMU 的零偏和视觉原创 2020-08-10 18:30:12 · 1021 阅读 · 1 评论 -
从零开始学习VIO笔记 --- 第一讲：基础知识（四元数，李代数）
从零开始学习VIO笔记 --- 第一讲：基础知识，IMU，VIO概述 一. 旋转与平移1.1 旋转表示 --- 旋转矩阵R1.2 平移向量1.3 变换矩阵T与齐次坐标1.4 旋转向量与欧拉角1. 四元数2. 李群与李代数3. imu4. VIO一. 旋转与平移1.1 旋转表示 — 旋转矩阵R有坐标系 aaa，基为 a=[a1,a2,a3]a=\begin{bmatrix}a_1,&a_2,&a_3\end{bmatrix}a=[a1,a2,a3] （注：为3 ×\time原创 2020-10-12 14:30:28 · 1849 阅读 · 0 评论