hu_hao的博客

VINS-Fusion-RGBD在小车上进行稠密建图1.轮式里程计代替视觉里程计2.其他获得更为鲁棒性建图效果的做法3.点云地图及栅格地图的获得4.多个参数可配置VINS-Mono由于存在运动初始化过程，对于地面小车来说运动初始化过程没有无人机那么方便，而且大多实用小车需要一运行程序就要执行任务，所以需要选择不需要初始化的版本。VINS-Fusion的双目、双目+imu版本不需要初始化，但双目+imu轨迹容易飞飘，不能进行稳定建图。而双目版本只能建稀疏路标点地图，无法用于实际导航。VINS-Fusio

VINS-Mono论文笔记题目0. 摘要1. 背景简介2.相关工作介绍2.1 融合方式2.2 摄像头数据处理2.3 imu数据处理2.4 初始化2.5里程计3. VINS-Mono系统总览4 视觉和IMU测量的预处理步骤4.1 视觉部分4.2 imu部分4.3 偏置纠正5 鲁棒的初始化过程5.1 视觉重构5.2 视觉惯性联合6 紧耦合的单目VIO系统6.1 公式6.2 imu残差6.3 视觉残差6.4 边缘化残差6.5 针对相机实时帧率的纯运动视觉惯性状态估计器6.6 imu向前传播以得到imu频率的状态估

VINS-Mono论文笔记-中前言1.初始化过程1.1 视觉重构1.2 视觉惯性联合前言本篇内容涉及VINS-Mono第五至第气节内容，包括：第五节：VINS-Mono的鲁棒性初始化过程第六节：紧耦合、自校准、基于非线性优化的单眼VIO第七节：紧耦合的重定位1.初始化过程单目惯性系统是高度非线性系统，系统的正常运行高度依赖准确的初始化过程。初始化过程由松耦合下的imu预积分辅助纯视觉结构还原过程。1.1 视觉重构使用滑动窗口中纯视觉的sfm方法。初始化过程从一个sfm过程开始，还原一个

VSLAM学习记录-1-李群与李代数1.使用背景2.优化中李代数的使用参考1.使用背景旋转的参数化表示之一，就是使用旋转矩阵R来表示，旋转矩阵有如下特性，即其逆为自身的转置，且行列式值为1。SO(n)={R∈Rn×n∣RRT=I,det(R)=1}SO(n)=\{R\in \mathbb{R}^{n\times n} |RR^{T}=I,det(R)=1\}SO(n)={R∈Rn×n∣RRT=I,det(R)=1}这里的第一条性质表明，反向旋转θ\thetaθ角度，其旋转矩阵等于正向旋转矩阵的转置

非线性优化中的重投影误差投影模型与代价函数工程上的做法，以VINS-MONO为例今天是2021年8月1日，刚看了东奥男子100米决赛的比赛，心情还久久不能平静，尽管我比赛前比运动员还紧张，比赛后心脏还一直激动，心情难以平复，但我还是要大喊一声，苏神牛逼！这是历史的一刻，致敬中国速度！下面开始正文投影模型与代价函数在高博《VSLAM十四讲》第二版的242页，推导重投影代价函数时，使用了三步推导：1.将路标点的世界坐标转换为局部坐标，并将局部坐标投影至归一化平面坐标。2.归一化坐标加上畸变映射，转

Octomap概率公式推导详细推导过程参考详细推导过程最近看高博关于octomap介绍地博文，其中对每个叶子节点在一系列观测数据下被占据的概率公式，看着有点绕，这里记录梳理过程。首先公式是这样的P(n∣z1:t)=[1+1−P(n∣zt)P(n∣zt)1−P(n∣z1:t−1)P(n∣z1:t−1)P(n)1−P(n)]−1P(n|z_{1:t})=[1+\frac{1-P(n|z_t)}{P(n|z_t)}\frac{1-P(n|z_{1:t-1})}{P(n|z_{1:t-1})}\frac{P

坐标变换及其方法1.转化关系图2 换算关系3.1 旋转矩阵换算至其他3.2 四元数换算至其他3.3 旋转向量转换至旋转矩阵与四元数3.3 欧拉角转换到旋转矩阵和四元数3 坐标变换4 坐标变换方法概述4.1 换算公式4.2 各旋转表示特点参考1.转化关系图坐标变换是实际导航与定位中必不可少的一环，而其中旋转变换至关重要，本文对学习过程中关于坐标变换内容做一点总结，以下是本文提供的转换关系。说明：旋转矩阵和四元数提供与其他三种旋转表示的转换关系，欧拉角与旋转向量只提供与旋转矩阵和四元数的换算关系。2