最爱方方的博客

pNewMP->AddObservation(pKFini,i),函数做的是判断这个关键帧是否已经在我的一个map

2.安装必备软件： （1）更新apt库sudo apt-get update（2）安装gitsudo apt-get install git（3）安装cmakesudo apt-get install cmake（4）安装Pangolin 安装依赖： a、openglGLEW：sudo apt-get install libglew-devc、Boost：...

https://www.cnblogs.com/mafuqiang/p/7161293.html

转载自：https://www.embbnux.com/2015/01/30/9_dof_imu_with_kalman_filter_on_avr/ 一、卡尔曼算法理解 其实如果不去考虑kalman算法是怎么来的，我们只需要知道有下面几个式子就可以了，具体意思可以看上面的wikipedia链接kalman_embbnux_blog二　卡尔曼滤波算法的实现 这里我的算法是运行在avr单片机上的

卡尔曼滤波在工程应用中十分的广泛，最近一直在学习机器人的运动估计，其中卡尔曼理论十分重要，因此记下相关的学习心得。卡尔曼滤波就是根据上一时刻的信息估计当前时刻的信息。解决了对之前所有时刻信息都需要保留的问题。仅仅考虑上一时刻的信息。一般有一个估计值，一个测量值，或者（两个传感器分别对一个问题 的测量值），你对估计值也不全相信，对测量值也不全相信，这个时候你就希望有没有个算法能够根据我的估计值和测量

之前也看了很多其他的slam算法，但是一直没有深入看下去，原因自已也有，也有一些工作上的原因。最近静下心来想重新从ORB开始看，由于白天还要上班，所以一般也只能下班后看下。其实之前看orb相关的博客看了很多，网上关于orb的资料的确很多，主要参考的视频资料还是泡泡机器人的，非常感谢泡泡机器人。因为博客上虽然很多，有的博主也细讲了很多东西，但是看完很多博客后还是会发现总会缺点什么，比如有些写博客的博主

http://www.zhimengzhe.com/bianchengjiaocheng/cbiancheng/316949.html对代码有一定的解释对vins讲解的又详细了一点 http://www.cnblogs.com/shang-slam/p/7081923.htmlimu_tk imu内参标定工具： https://bitbucket.org/alberto_pretto/imu_

vins是香港科技大学开源的一个单目相机结合IMU的一个VIO，在github上可以下载源码，分为iOS系统下的和ros系统下的两种，ros下的为https://github.com/HKUST-Aerial-Robotics/VINS-Mono.gitvins的精髓就在视觉和Imu的融合算法，但是我不懂imu就有点尴尬了。所以查看了imu的资料。vins的主要框架有个很好的图，如下图。![这

一、引言本文提出的视觉惯性系统结构框图如下所示。第一部分是测量处理前段，负责提取并跟踪每个新图像帧的特征，及帧间IMU数据预积分。第二部分是初始化过程，提供了激活非线性系统的必要初始值，如姿态、速度、重力向量、陀螺仪偏差及3D特征位置。第三部分为非线性图优化，通过联合优化所有的视觉、惯性信息求解滑窗内的状态。另一部分运行另一个线程，负责闭环检测及姿态图优化。请点击此处输入图片描述请点击此处输入图片描

这里先介绍下我参考的博客 http://www.cnblogs.com/shang-slam/p/6435124.html讲的很好。 LocalMapping作用是将Tracking中送来的关键帧放在mlNewKeyFrame列表中；处理新关键帧，地图点检查剔除，生成新地图点，Local BA，关键帧剔除。主要工作在于维护局部地图，也就是SLAM中的Mapping。我的话就直接从run（）函

如果初始化成功，开始读入下一帧彩色和深度图像。由于一直没有介绍其它两个主要的线程（Local Mapping 和 Loop closing）,但是其实它们也已经开始工作了，之后你就会发现的。～～～～直接从Tracking对象的track()函数开始， 还是判断是否初始化，因为我们已经初始化成功了，所以直接进入else{},判断是否是定位建图模式还是仅仅定位模式，如果是定位建图模式，判断状态是否ok