<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[chuangkeiss的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/chuangkeiss</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; chuangkeiss]]></copyright><item><title><![CDATA[3D高斯详解forward.cu]]></title><link>https://blog.youkuaiyun.com/chuangkeiss/article/details/141439456</link><guid>https://blog.youkuaiyun.com/chuangkeiss/article/details/141439456</guid><author>chuangkeiss</author><pubDate>Sun, 25 Aug 2024 18:10:39 +0800</pubDate><description><![CDATA[然而高斯球的点三维位置可以直接变换，但它的协方差矩阵的变换我们希望是线性的。2）投影变换，从相机到射线空间的转换，是我们技术的关键元素。然而，一般来说，误差不会导致视觉伪影，因为与重建核的局部支持相交的射线扇形具有小的开口角度。摄像机空间的定义是，摄像机坐标系的原点位于投影中心，投影平面为 u=1的平面。此时3D高斯在NDC坐标内，也就是大小为1的方格中，我们要根据图片的H*W进行放大，此时协方差是不变的。以下是c调用和函数，第一个是块block的数量，第二个是block中线程的数量。]]></description><category></category></item><item><title><![CDATA[Reducing the Memory Footprint of 3D Gaussian Splatting]]></title><link>https://blog.youkuaiyun.com/chuangkeiss/article/details/140199787</link><guid>https://blog.youkuaiyun.com/chuangkeiss/article/details/140199787</guid><author>chuangkeiss</author><pubDate>Sat, 06 Jul 2024 16:06:59 +0800</pubDate><description><![CDATA[3D高斯飞溅为新颖的视图合成提供了卓越的视觉质量，具有快速训练和实时渲染；不幸的是，这种方法对存储和传输的内存要求非常高。我们首先分析了原因，确定了可以减少存储的三个主要区域：用于表示场景的3D高斯基元的数量、用于表示方向辐射的球面谐波的系数数量以及存储高斯基元属性所需的精度。我们提出了每一个问题的解决方案。首先，我们提出了一种高效的、具有分辨率意识的原始修剪方法，将原始计数减少一半。]]></description><category></category></item><item><title><![CDATA[SLAM领域优秀实验室]]></title><link>https://blog.youkuaiyun.com/chuangkeiss/article/details/135556531</link><guid>https://blog.youkuaiyun.com/chuangkeiss/article/details/135556531</guid><author>chuangkeiss</author><pubDate>Sat, 13 Jan 2024 10:22:02 +0800</pubDate><description><![CDATA[空中机器人在复杂环境下的自主运行，包括状态估计、建图、运动规划、多机器人协同以及低成本传感器和计算组件的实验平台开发。：视觉 SLAM、物体 SLAM、非刚性 SLAM、机器人、增强现实。：视觉、激光、惯性导航系统，移动设备大规模三维建模与定位。：机器人感知、结构，服务型、运输、制造业、现场机器。：定位、三维重建、语义分割、机器人视觉。：SLAM、VINS、语义定位与建图等。SFM/SLAM，三维重建，增强现实。：三维重建、机器人视觉、深度学习、]]></description><category></category></item><item><title><![CDATA[物体级语义视觉SLAM研究综述]]></title><link>https://blog.youkuaiyun.com/chuangkeiss/article/details/135042071</link><guid>https://blog.youkuaiyun.com/chuangkeiss/article/details/135042071</guid><author>chuangkeiss</author><pubDate>Sun, 17 Dec 2023 11:20:46 +0800</pubDate><description><![CDATA[1.物体级语义VSLAM系统架构2.物体级语义VSLAM优势和应用2.1利用物体信息提升定位精度2.2利用物体信息提升定位鲁棒性2.3利用物体信息提升系统环境感知能力3.物体语义的表达形式和初始化方法先验模型表达几何模型表达深度学习表征4.物体级语义信息的数据关联方法基于概率关联方法基于分配算法的关联方法5.融合物体级语义信息的后端优化方法独立优化策略联合优化策略。]]></description><category></category></item><item><title><![CDATA[orbslam-BoW]]></title><link>https://blog.youkuaiyun.com/chuangkeiss/article/details/133866046</link><guid>https://blog.youkuaiyun.com/chuangkeiss/article/details/133866046</guid><author>chuangkeiss</author><pubDate>Mon, 16 Oct 2023 19:15:13 +0800</pubDate><description><![CDATA[使用FeatureVector 避免了所有特征点的两两匹配，只比较同一个节点下的特征点，极大加速了匹配效率，至于匹配精度，论文 《Bags of。2、对于每个特征点的描述子，从离线创建好的vocabulary tree中开始找自己的位置，从根节点开始，用该描述子和每个节点的描述子计算。首先图像提取ORB 特征点，将描述子通过 k-means 进行聚类，根据设定的树的分支数和深度，从叶子节点开始聚类一直到根节点，最后得。汉明距离，选择汉明距离最小的作为自己所在的节点，一直遍历到叶子节点。]]></description><category></category></item><item><title><![CDATA[NVIDIA驱动安装+nvidia-smi各种报错+ubuntu黑屏+问(NVIDIA-SMI has failed because it couldn‘t communicate .... )]]></title><link>https://blog.youkuaiyun.com/chuangkeiss/article/details/131982744</link><guid>https://blog.youkuaiyun.com/chuangkeiss/article/details/131982744</guid><author>chuangkeiss</author><pubDate>Sat, 29 Jul 2023 15:43:42 +0800</pubDate><description><![CDATA[普通的NVIDIA驱动安装按理说比较简单，但偶尔会遇到各种奇怪的错误，之前安装时也黑屏过，最后也补救回来，这次狠下心来，把全部遇到的问题阅读的经验贴记录一下。]]></description><category></category></item><item><title><![CDATA[深度学习笔记（1）：基础网络结构&卷积神经网络（CNN）]]></title><link>https://blog.youkuaiyun.com/chuangkeiss/article/details/130019383</link><guid>https://blog.youkuaiyun.com/chuangkeiss/article/details/130019383</guid><author>chuangkeiss</author><pubDate>Mon, 10 Apr 2023 15:57:12 +0800</pubDate><description><![CDATA[CNN（Convolutional Neural Networks, ConvNets, 卷积神经网络）是神经网络的一种，是理解图像内容的最佳学习算法之一，并且在图像分割、分类、检测和检索相关任务中表现出色。]]></description><category></category></item><item><title><![CDATA[ORB-SLAM2源码阅读（四）—LoopClosing线程&SIM3变换]]></title><link>https://blog.youkuaiyun.com/chuangkeiss/article/details/128343170</link><guid>https://blog.youkuaiyun.com/chuangkeiss/article/details/128343170</guid><author>chuangkeiss</author><pubDate>Sat, 17 Dec 2022 17:18:46 +0800</pubDate><description><![CDATA[看了这么多的代码注释感觉头都晕了，抽空捋一下这个线程的大纲，帮助理解一下。LoopClosing线程的主要工作内容可以分为两步：第一步就是对当前新到来的关键帧进行闭环检测（Loop Detection），不断地在关键帧数据库中查找是否有相似的与当前关键帧形成闭环；另一个是纠正闭环（Loop Correction），就是若存在回环进行位姿矫正。]]></description><category></category></item><item><title><![CDATA[ORB-SLAM2源码阅读（三）——跟踪线程]]></title><link>https://blog.youkuaiyun.com/chuangkeiss/article/details/128142687</link><guid>https://blog.youkuaiyun.com/chuangkeiss/article/details/128142687</guid><author>chuangkeiss</author><pubDate>Fri, 02 Dec 2022 15:36:49 +0800</pubDate><description><![CDATA[ORB-SLAM2跟踪部分主要包括两个阶段，第一个阶段包括三种跟踪方法：用参考关键帧来跟踪、恒速模型跟踪、重定位跟踪，它们的目的 是保证能够“跟的上”，但估计出来的位姿可能没那么准确。第二个阶段是局部地图跟踪，将当前帧的局部关键帧对应的局部地图点投影到该 帧，得到更多的特征点匹配关系，对第一阶段的位姿再次优化得到相对准确的位姿。跟踪线程流程图Track线程的主要在track中主要实现的。主要的实现步骤看流程图即可理解。]]></description><category></category></item><item><title><![CDATA[地图点、关键帧、图结构]]></title><link>https://blog.youkuaiyun.com/chuangkeiss/article/details/128142307</link><guid>https://blog.youkuaiyun.com/chuangkeiss/article/details/128142307</guid><author>chuangkeiss</author><pubDate>Fri, 02 Dec 2022 09:21:57 +0800</pubDate><description><![CDATA[特征点是二维点，是特征提取得到的图像上的像素点，特征点通过三角化可以变成三维空间的地图点。，不同帧里的特征点可能对应三维空间中同一个三维点。地图点是三维点，来自真实世界的三维物体，有唯一的。]]></description><category></category></item><item><title><![CDATA[ORB-SLAM2源码阅读（一）-----ORB特征提取]]></title><link>https://blog.youkuaiyun.com/chuangkeiss/article/details/127904502</link><guid>https://blog.youkuaiyun.com/chuangkeiss/article/details/127904502</guid><author>chuangkeiss</author><pubDate>Thu, 17 Nov 2022 21:26:24 +0800</pubDate><description><![CDATA[1.ORB-SLAM的一大创新点在于系统的所有模块都使用了同一种特征：ORB，这样构造的系统更加简单、稳健。2.本文首先介绍了原版的ORB特征，之后又介绍了ORB-SLAM对ORB特征的改进。3.相较与SIFT、SURF，ORB在CPU下就可以获得实时性能，并且具有尺度（一定的）、旋转不变性，而且提高了BRIEF描述子的抗噪能力。4.ORB的速度是SIFT的100倍，SURF的10倍。一定的尺度不变性：利用图像金子塔实现，由于金字塔层数有限，因此只能在一定范围保证尺度的不变性。]]></description><category></category></item><item><title><![CDATA[BA与图优化-SLAM十四讲学习笔记]]></title><link>https://blog.youkuaiyun.com/chuangkeiss/article/details/127587438</link><guid>https://blog.youkuaiyun.com/chuangkeiss/article/details/127587438</guid><author>chuangkeiss</author><pubDate>Sat, 29 Oct 2022 21:02:54 +0800</pubDate><description><![CDATA[因此可以求误差函数关于二者的偏导数，也就是之前所述的两个偏导数，2*6的那个雅克比矩阵是误差对于扰动的小量位姿的偏导数；2*3的那个雅克比矩阵是误差对于特征点相机坐标系下坐标的偏导数，它再乘以一个3*3的R得到一个2*3的雅克比矩阵就是误差关于特征点世界坐标系下坐标的偏导数。到目前为止，还没有利用它的稀疏特性。由于我们把变量归类成了位姿和空间点两种，（注意E和F必须是整体目标函数对整体变量的导数，它是一个很大的矩阵，里面都是有每个误差项的导数。个路标点的误差，前面的是对于位姿的，后面的是对于路标点的。]]></description><category></category></item><item><title><![CDATA[非线性优化-SLAM十四讲笔记]]></title><link>https://blog.youkuaiyun.com/chuangkeiss/article/details/127558897</link><guid>https://blog.youkuaiyun.com/chuangkeiss/article/details/127558897</guid><author>chuangkeiss</author><pubDate>Fri, 28 Oct 2022 21:20:23 +0800</pubDate><description><![CDATA[我们首先考虑最简单的误差函数例子，使下式子得到最小值，我们可以求目标函数导数为0的x值。但是如果这个函数比较复杂不容易求导，则我们就可以使用迭代法，从一个初始值出发，不断地更新当前的优化变量，使目标函数值下降。让求解导数为零的问题变成一个不断寻找下降增量的问题。]]></description><category></category></item><item><title><![CDATA[后端状态估计-卡尔曼滤波器理解+扩展-SLAM14讲笔记(六)]]></title><link>https://blog.youkuaiyun.com/chuangkeiss/article/details/127443820</link><guid>https://blog.youkuaiyun.com/chuangkeiss/article/details/127443820</guid><author>chuangkeiss</author><pubDate>Fri, 21 Oct 2022 21:08:15 +0800</pubDate><description><![CDATA[是根据0~k-1时刻的观测数据，推测得知k时刻的先验状态（对于这个，里面的u作为一个传感器数据，其实可以忽略掉它，因为0~k-1时刻的数据不应该包含uk，但是本书里面着重要讲的是视觉SLAM，u应该指的是惯性逻辑单元IMU之类的数据，如果只依靠观测的图像来判断状态的话，忽略掉u就行了）现在，利用马尔可夫性，假设我们知道了k -1时刻的后验(在k-1时刻看来）状态估计ag-1及其协方差P-1，现在要根据k时刻的输入和观测数据，确定x的后验分布。为区分推导中的先验和后验，此时我们就得到了后验均值的表达。]]></description><category></category></item><item><title><![CDATA[视觉里程计-SLAM十四讲学习笔记]]></title><link>https://blog.youkuaiyun.com/chuangkeiss/article/details/127396144</link><guid>https://blog.youkuaiyun.com/chuangkeiss/article/details/127396144</guid><author>chuangkeiss</author><pubDate>Wed, 19 Oct 2022 15:30:09 +0800</pubDate><description><![CDATA[一个SLAM系统分为前端和后端，其中前端也称为视觉里程计。视觉里程计根据相邻图像的信息估计出粗略的相机运动，给后端提供较好的初始值。视觉里程计的算法主要分为两个大类:特征点法和直接法。经典SLAM模型中以相机位姿-路标来描述SLAM过程：—路标是三维空间中固定不变的点，可以在特定位姿下观测到—在视觉SLAM中，可利用图像特征点作为SLAM中的路标特征点是图像当中具有代表性的部分，如轮廓点，较暗区域中的亮点，较亮区域中的暗点等。]]></description><category></category></item><item><title><![CDATA[李群与李代数-slam14讲笔记]]></title><link>https://blog.youkuaiyun.com/chuangkeiss/article/details/127195772</link><guid>https://blog.youkuaiyun.com/chuangkeiss/article/details/127195772</guid><author>chuangkeiss</author><pubDate>Fri, 07 Oct 2022 22:38:43 +0800</pubDate><description><![CDATA[最近在学习slam14讲，出现李群和李代数内容，对于小白的我从来没有接触过。在前一文，讲述了旋转矩阵和变换矩阵，同时我们也提到了特殊正交群SO(3)，和特殊欧氏群SE（3）。数学公式可以写成这样：但是有一个问题，这两个矩阵都不封闭，换句话说任意两个旋转矩阵，，群(Group)是一种集合加上一种运算的代数结构，以A表示集合，“·”表示运算，则群一般写作 G(A, ·)。现在估计也解释的很模糊，可以理解为就是一个矩阵的集合，为何有了矩阵还要弄个矩阵集合呢？]]></description><category></category></item><item><title><![CDATA[【旋转矩阵和旋转向量】]]></title><link>https://blog.youkuaiyun.com/chuangkeiss/article/details/127185258</link><guid>https://blog.youkuaiyun.com/chuangkeiss/article/details/127185258</guid><author>chuangkeiss</author><pubDate>Thu, 06 Oct 2022 21:24:33 +0800</pubDate><description><![CDATA[这是一个数学技巧，我们在一个三维向量的末尾添加1，变为思维向量，称为齐次坐标，对于这个四维向量我们可以把旋转和平移写在一个矩阵里，使得整个变为线性关系。向量：两点连起来，可以看成从某点指向另一点箭头，    误将坐标混淆，向量是空间一个东西，如a。关于这种变换矩阵T左上角为旋转矩阵，右侧为平移向量，左下角为0向量，右下角为1。坐标：只有当我们指定这个三维空间中的某个坐标系时,才可以谈论该向量在此坐标系下的坐标。这时我们加上平移，在世界坐标系的向量a，经过一次旋转（R）和一次平移(t)得到。]]></description><category></category></item></channel></rss>