gene's blog

现有数学模型为 f(x)=Aex+Bsin(x)+CxDf(x)=Ae^x+Bsin(x)+Cx^Df(x)=Aex+Bsin(x)+CxD ，但不知道 AAA 、BBB 、CCC 、DDD 各参数系数，实验数据中含有噪声即 f(x)=Aex+Bsin(x)+CxD+noisef(x)=Ae^x+Bsin(x)+Cx^D+noisef(x)=Aex+Bsin(x)+CxD+noise ,此时用ceres进行拟合。2.1 含噪声的数据生成以 A=0.02A=0.02A=0.02 、B=3.2B=3.2B=

是由Google开发的开源C++库，用于解决具有边界约束的非线性最小二乘优化和一般无约束优化问题，成熟、功能丰富、高性能。与一般优化问题不同的是，非线性最小二乘优化问题的目标函数具有明确的物理意义——残差。

该点即是两个特征点所对应的地图点在三维场景中的位置。简言之，在已知两个相机的相对位姿的情况下，得到在两个视图下的对应匹配点，即可求得该对应点在空间中的位置，也就是求得图像点的深度。由于是自由度为3的齐次方程，所以这是一个冗余的方程，这里相当于解一个线性最小二乘问题。方程的解为的最小奇异值对应的单位奇异矢量，解得，则最后令缩放使得的最后一项为1即可得到我们所求的3D点的坐标。由此可以得到三个方程，由于第三个方程可以由前两个方程得到，第三个方程可以由上两个方程线性表示，因此只需要考虑前两个方程。

若一步安装成功，那很幸运，，，

ROS 、SLAM学习 error整理

基于Mahony互补滤波的IMU数据优化

在学习《视觉SLAM十四讲》过程中常遇到SVD奇异值分解，经过一段时间的学习，在此进行记录整理，上一篇整理了SVD奇异值分解的基本理论基础，此处记录以SVD在ICP点云匹配中的应用实例。

在学习《视觉SLAM十四讲》过程中常遇到SVD奇异值分解，经过一段时间的学习，在此进行记录整理。一、线性代数的方阵分解给定一大小为 m×mm\times mm×m 的矩阵AAA(方阵)，其对角化分解可以写成 A=UΛU−1A=U\Lambda U^{-1}A=UΛU−1其中，UUU的每一列都是特征向量，Λ\LambdaΛ对角线上的元素是从大到小排列的特征值，若将UUU记作U=(u⃗1,u⃗2,...,u⃗m)U=(\vec{u}_1,\vec{u}_2,...,\vec{u}_m)U=(u1​,u2​