
SLAM
文章平均质量分 76
vigigo
这个作者很懒,什么都没留下…
展开
-
Sophus库(Linux下)的安装(模板类.hpp,非模板类.h)
Sophus库(Linux下)的安装(包含模板类.hpp,非模板类.h)原创 2022-02-01 15:32:39 · 4189 阅读 · 0 评论 -
slam14讲之13讲--建图
论文推荐+更细致的理论描述原创 2022-01-29 14:02:05 · 2520 阅读 · 0 评论 -
slam14讲之第12讲--回环检测
slam14讲之第12讲--回环检测原创 2022-01-24 00:03:41 · 1747 阅读 · 0 评论 -
slam14讲第10.2讲-BA与图优化
BA的求解首先来看观测方程产生的整流流程可以列写关于此次观测的误差:然后,以最小二乘的角度来考虑,把其他时刻的观测量也考虑进来,我们可以给误差添加一个下标。设 zij 为在位姿 ξi 处观察路标 pj 产生的数据,那么整体的**代价函数(Cost Function)**为:对这个最小二乘进行求解,相当于对位姿和路标同时作了调整,也就是所谓的 BA。上述代价函数的计算定义优化变量x = [ξ1; : : : ; ξm; p1; : : : ; pn]T :即上方代价函数的自变量。最终得到原创 2022-01-17 11:25:49 · 1423 阅读 · 0 评论 -
slam14讲第八讲-光流法和直接法
VO视觉里程计之光流法、直接法为什么引入?1、关键点的提取与描述子的计算非常耗时。实践当中, SIFT 目前在 CPU 上是无法实时计算的,而 ORB 也需要近 20 毫秒的计算。如果整个 SLAM 以 30 毫秒/帧的速度运行,那么一大半时间都花在计算特征点上。2、对于稠密的直接法和光流法来说,他们保留了所有的像素点,但是对于特征点法来说,仅仅使用了有限的关键点,丢失了大部分可能有用的信息。3、对于特征丢失的图像,如渐变图,如一堵白墙,往往特征点无法提取,从而特征点法失效。那为了解决以上问题,提出了光原创 2022-01-05 23:54:48 · 3255 阅读 · 1 评论 -
SLAM14讲7.3讲--对极约束、本质矩阵、单应矩阵
7.3.1 对极约束在7.1章节中,我们得到了帧间图像之间匹配关键点的结果。迎面而来的问题就是如何在已知匹配特征点的情形下估计出相机运动。7.3讲了单目相机中,如何解决这个问题的方法:2D-2D对极几何。7.3.1引出概念,对极约束。所谓对极几何约束,即是:在特征匹配的前提下,两匹配点的射线必然产生且只会产生一个交点。正因这样的约束关系,当我们已知两点像素坐标时,必然能推导出相机运动。推导过程7.3.2 本质矩阵什么是本质矩阵?数学符号是E,就是上面的E=t^R。这里我们已知P1,P2的前提原创 2021-12-20 15:23:54 · 1857 阅读 · 0 评论 -
SLAM14讲第7.1讲--特征点匹配
在第5.1章双目相机中,我们知道,如果已知视差的情况下,可以得出深度信息。但是其中涉及一个问题。怎么可以得到视差?我们分析可知,我们需要得到相匹配的像素点,才可以得到视差。于是在这一节,引出概念:特征点匹配。 这个事情也是运动状态估计的前提。在SIFT算法中,特征点分为两块:关键点和描述子。提取关键点和计算描述子关键点是指该特征点在图像里的位置,有些特征点还具有朝向、大小等信息。描述子通常是一个向量,按照某种人为设计的方式,描述了该关键点周围像素的信息。关键点(特征点的提取)选取什么样的点作为关键点原创 2021-12-16 19:57:14 · 1451 阅读 · 0 评论 -
ORB-SLAM2全相关库安装方法
一、 Install g++ with compilerMinGWVScodeClion,if your system is ubuntu18.04,you can see my related blogInstall g++ with compiler二、 Install relative packages(Need compile)Eigen(http://eigen.tuxfamily.org/index.php?title=Main_Page)i. sudo apt-get i原创 2021-12-13 10:22:09 · 1646 阅读 · 1 评论 -
SLAM14讲之第五讲--像素坐标系、畸变、双目相机深度求解
像素坐标系由相似三角形的定义可得:这是相对于成像平面的坐标变化,我们实际上所得到的图片还要经历一层成像平面到像素平面的变换,实际上就是相差了一个缩放和原点的平移。如此我们定义:u为横轴向右与x轴平行,v为纵轴向下与y轴平行。代入可得化为矩阵表示形式:我们把中间的量组成的矩阵称为相机的内参数矩阵(Camera Intrinsics) K。Z代表一张图片对于我的相机的垂直距离,所以需要深度图来估计,如RGB-D。畸变径向畸变透镜自身的形状对光线传播的影响所产生的误差。这类畸变可以原创 2021-12-03 17:40:16 · 3330 阅读 · 0 评论 -
SLAM14讲第四讲--李群、李代数
李群对于这种只有一个运算的集合,我们把它叫做群。在slam中有两种群:特殊正交群 SO(3)、特殊欧氏群 SE(3)。图中R表示旋转矩阵李代数SO(3)推导过程这里不赘述,详见式4.5~4.10。ф就是SO(3)的李代数so(3)中的向量表示形式。特别注意,李代数ф^是一个反对称阵。SE(3)特别注意,fai就是so(3)中的ф,rou表示的位移,为一个(3,1)的向量。李括号这个概念在第四章中并未使用到,只在BCH公式近似形式推导中有所使用,这里仅给出表达式。指数映射原创 2021-11-25 20:43:36 · 1033 阅读 · 0 评论 -
SLAM14讲第3讲第七题
#include <iostream>#include <cmath>#include <typeinfo>using namespace std;// eigen#include <vector>#include <Eigen/Core>#include <Eigen/Geometry>// NumCpp#include "NumCpp.hpp"int main() {// Eigen::Vector原创 2021-11-20 20:10:12 · 443 阅读 · 0 评论 -
ubuntu18.04 install pangolin and possible questions
1. 按照文档要求编译和安装Pangolinuse pangolin: slambook/3rdpart/Pangolin or download it from github:sudo git clone https://github.com/stevenlovegrove/Pangolin /pangolininstall dependency for pangolin (mainly the OpenGL): sudo apt-get install libglew-devcompile原创 2021-11-20 15:31:04 · 954 阅读 · 0 评论 -
SLAM学习之Eigen基础矩阵表示
#include <Eigen/Core>#include <Eigen/Dense>• 旋转矩阵(3 × 3): Eigen::Matrix3d。• 旋转向量(3 × 1): Eigen::AngleAxisd。• 欧拉角(3 × 1): Eigen::Vector3d。• 四元数(4 × 1): Eigen::Quaterniond。• 欧氏变换矩阵(4 × 4): Eigen::Isometry3d。• 仿射变换(4 × 4): Eigen::Affine3d。原创 2021-11-19 19:44:12 · 1044 阅读 · 0 评论