jjjqqq123321的博客

一点通：图像金字塔

LIO-SAM:闭环线程

ORB-SLAM2算法单目流程。

SLAM基础-因子图优化和gtsam应用

激光SLAM-重定位方案预研

视觉SLAM基础-对极几何约束

近期阅读了许多动态SLAM相关的论文，它们基本都是基于ORB-SLAM算法，下面简单记录一下它们的主要特点：

KD-Tree与Octo-Tree。

FAST-LIO、FAST-LIO2以及Faster_LIO点主要贡献和区别。

状态估计-滤波器和非线性优化的区别

SLAM基础知识：前端和后端

SLAM基础知识-卡尔曼滤波，一文搞懂卡尔曼滤波！

SLAM基础知识-高斯分布

经典的SLAM的运动方程和观测方程。

非线性优化-高斯牛顿法

欧拉角及Eigen库中eulerAngles函数的理解。

IMU里程计和视觉里程计、激光里程计等一样，都可以独立计算里程计信息。求解IMU里程计的步骤可以简单的分为三个模块：IMU运动积分、IMU预积分、IMU初始化。求解IMU里程计的流程参考自ORB：SLAM3。

这里简单记录一下ORB-SLAM3和ORB-SLAM2在跟踪线程的区别。第一阶段：参考关键帧跟踪、恒速模型跟踪、重定位跟踪。第二阶段：局部地图跟踪。第三阶段：短期跟踪丢失和长期跟踪丢失。其中第三阶段是ORB-SLAM3新增的一种状态。

刚接触了IMU传感器，除了IMU预积分的相关知识外，关于IMU的另一个重要知识点就是IMU的初始化。IMU为什么需要初始化？IMU初始化是为了获得重力方向和IMU零偏的初始值。有了正确的重力方向才能消除IMU预积分中加速度计关于重力的影响，得到的IMU预积分数据才能保证准确。

此处IMU里程计是以IMU的频率向外发送位姿估计，提高了SLAM系统里程计的发送频率。1.利用当前帧Lidar里程计作为起点，结合IMU预积分，得到IMU里程计信息。4.利用IMU的YPR值对scan-to-map之后的雷达里程计位姿作加权融合。3.利用IMU里程计信息对Lidar每帧点云的位姿作初始化（粗略估计）。2.利用IMU预积分对Lidar每帧点云进行运动去畸变。

传感器发布信息的所有话题（topic）和消息类型如下。

因此在没有地图坐标系矫正的SLAM算法中，我们要保证初始化时传感器是水平放置的，否则创建的地图就会出现如下图现象。世界坐标系一般反应真实的空间坐标，因此世界坐标系的Z轴应该与真实空间中的重力方向平行。一般情况下，我们将初始时刻的传感器水平的放置，此时我们将世界坐标系认作是地图坐标系，但是初始化时刻传感器不是水平放置，此时的地图坐标系将不再是世界坐标系。若地图坐标系不是世界坐标系，此时我们将地图坐标系当做世界坐标系显示点云地图时，整个地图就会出现一定的角度偏移。

这里比较一下视觉SLAM和激光SLAM的区别，仅比较其在特征提取和匹配上的一些不同，这里拿视觉SLAM算法：ORB-SLAM系列和激光SLAM算法：LOAM系列对比。

LIO-SAM：Livox-Mid-360点云适配

Livox-Mid-360 固态激光雷达ROS格式数据分析。​Livox-Mid-360 官方采用livox_ros_driver2ROS功能包发布ROS格式的数据，livox_ros_driver2可以把Livox原始雷达数据转化成ROS格式并以话题的形式发布出去。​

CMakeLists.txt快速入门教程,超详细！！！

使用Docker安装ORB_SLAM2

问题描述：经过语义分割模型输出的分割结果保存在一个cv::Mat变量中，如何快速找到cv::Mat中标签为具体值（例如寻找的标签为13）的坐标，并进行上色呢？缺点：用for循环的方式遍历整个cv::mat，是一个非常耗时的操作，经过测试，这组代码运行时间需要1s以上。locations 中每一行的前两个元素即为一个值为 13 的像素的 x 和 y 坐标。的元素对应的是像素值为 13 的像素。函数找到掩码中所有非零元素的坐标，并将它们存储在。方法2：使用cv自带的函数去访问cv::mat。

g2o图优化简单入门

内外点之分最简单的说法就是是否符合当前位姿的判断：如果根据当前位姿，之前帧二维特征点所恢复出的地图点重投影到当前帧与实际的二维特征点匹配不上了，那么认为这个是质量差的点是outlier，抛弃掉，如果能匹配上，那就是inlier，保留。还有一种情况，根据地图点3D位置，当前帧位姿理论上看不到这个地图点，在相机视野之外，也认为这个地图点是当前帧的outlier。

slam源码安装教程集合

视觉SLAM十四讲---第五讲 相机与图像

视觉SLAM十四讲---第六讲 非线性优化