《高翔视觉slam十四讲》学习笔记 第六讲 非线性优化

最新推荐文章于 2025-08-04 06:56:25 发布
最新推荐文章于 2025-08-04 06:56:25 发布
阅读量179 收藏
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 视觉slam 文章标签： 自动驾驶 linux slam 非线性优化
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_42680785/article/details/115901850
博客涉及自动驾驶领域，提及Linux系统以及SLAM技术，还涉及非线性优化。这些信息技术在自动驾驶中发挥着重要作用，Linux提供系统支持，SLAM助力环境感知，非线性优化则用于相关算法优化。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在这里插入图片描述

《视觉SLAM十四讲》学习笔记：第6讲非线性优化
themarshal的博客
07-21 805
《视觉SLAM十四讲》学习笔记：第6讲非线性优化 前言：本学习笔记将记录《视觉SLAM十四将》中一些重要的知识点，并对书中一些比较难的知识点添加上一些笔者个人的理解，以供笔者本人复习并与各位同学一起交流学习。本笔记结构将与原书结构一致，如果某一目录下面没有任何笔记，则代表笔者认为该小节内容相对来说没有过多重点知识。 本节目标 理论 1.理解最小二乘法的含义和处理方式。 2.理解Gauss-Newton，Levenburg-Marquate等下降策略。 实践 1.学习Ceres库和g2o库的基本使用方法。 本
【视觉SLAM十四讲高翔】学习笔记一
m0_72566333的博客
10-06 284
单目：没有深度，必须通过移动相机产生深度（成像和场景有几何关系，近处的物体图像运动的 快，远处物体图像运动的慢，由此推断出距离）双目：通过视觉计算深度（左右眼的微小差异判断远近，同样，近处物体变化大，远处物体变化 小，推算距离计算量非常大）-------------------------》回环检测------------------》搭载特定传感器的主体，在没有环境先验信息的情况下，于运动过程中建立环境的模型，同时估计自己的运动。问题：从图像中估计相机的运动以及环境的情况。
高翔视觉SLAM十四讲学习笔记-第6讲非线性优化
禾烁的博客
02-08 400
第六章非线性优化学习任务6.1 状态估计问题6.2 非线性最小二乘最速下降法确定增量（只保留一阶）牛顿法（保留二阶）G-N和L-M（详细解释看书）小结 学习任务 理解最小二乘法的含义和处理方式。 理解Gauss-Newton, Levenburg-Marquadt 等下降策略。 学习Ceres 库和g2o 库的基本使用方法。 6.1 状态估计问题 经典slam模型由状态方程和运动方程构成 xk是相机的位姿。我们可以使用变换矩阵或李代数表示它。至于观测方程，第五讲已经说明了它的内容，即针孔相机模
视觉SLAM十四讲学习笔记（一）初识SLAM
qq_53589322的博客
02-04 1921
SLAM: Simultaneous Localization and Mapping 同时定位与地图构建（建图）。搭载特定传感器的主体，在没有环境先验信息的情况下，于运动过程中建立环地的模型。同时储计自己的运动。视觉SLAM:以相机为主要传感器的SLAM。同时从图像中估计相机的运动以及环境的情况。传感器在空间运动中将自己的运动估计出来，返给使用者；在运动过程中描述出运动环境。【高翔】视觉SLAM十四讲_哔哩哔哩_bilibili。
高翔视觉SLAM十四讲学习笔记-第7讲视觉里程计（♥重点章节♥）
禾烁的博客
02-20 746
第7讲视觉里程计学习任务7.1 特征点法举个栗子????ORBBRIEF 学习任务 理解图像特征点的意义, 并掌握在单幅图像中提取出特征点，及多幅图像中匹配 特征点的方法。 理解对极几何的原理，利用对极几何的约束，恢复出图像之间的摄像机的三维运 动。 理解PNP 问题，及利用已知三维结构与图像的对应关系，求解摄像机的三维运 动。 理解ICP 问题，及利用点云的匹配关系，求解摄像机的三维运动。 理解如何通过三角化，获得二维图像上对应点的三维结构。 7.1 特征点法 路标 特征点 举个栗子?
视觉SLAM十四讲学习笔记-第七讲-视觉里程计-三角测量和实践
weixin_36773706的博客
02-24 2870
专栏汇总 视觉SLAM十四讲学习笔记-第一讲_goldqiu的博客-优快云博客 视觉SLAM十四讲学习笔记-第二讲-初识SLAM_goldqiu的博客-优快云博客 视觉SLAM十四讲学习笔记-第二讲-开发环境搭建_goldqiu的博客-优快云博客 视觉SLAM十四讲学习笔记-第三讲-旋转矩阵和Eigen库_goldqiu的博客-优快云博客 视觉SLAM十四讲学习笔记-第三讲-旋转向量、欧拉角、四元数_goldqiu的博客-优快云博客 视觉SLAM十四讲学习笔记-第三讲-相似、仿射、射.
【视觉SLAM十四讲学习笔记】第三讲——四元数
PuddleRubbish的博客
11-28 633
旋转矩阵用9个量描述3自由度的旋转，具有冗余性；欧拉角和旋转向量是紧凑的，但具有奇异性。事实上，我们找不到不带奇异性的三维向量描述方式。类似于用两个坐标表示地球表面（如经度和纬度），必定存在奇异性（纬度为 ±90° 时经度无意义）。回忆以前学习过的复数。我们用复数集C表示复平面上的向量，而复数的乘法则表示复平面上的旋转：乘上复数i相当于逆时针把一个复向量旋转 90°。四元数四元数是Hamilton找到的一种扩展的复数。它既是紧凑的，也没有奇异性。缺点是四元数不够直观，其运算稍复杂些。
《视觉SLAM十四讲》学习笔记
qq_29128985的博客
11-07 3258
《视觉SLAM十四讲》学习笔记 第一讲：添加链接描述 第二讲
视觉SLAM十四讲笔记（ch13）
Ltr_20213962的博客
11-04 321
计算小块间差异的方法：SAD（差的绝对值之和，Sum of Absolute Difference）、SSD（平方和，Sum of Squared Distance）、NCC（归一化互相关，Normalized Cross Correlation）去均值的SAD、去均值的SSD等……而SLAM实时性要求较高，前端已经占据了不少的计算量，所以在建图中，我们通常采用计算量较少的滤波器方式。1、2两种方式又称为立体视觉（Stereo Vision）：立体视觉的重建质量十分依赖于环境纹理。假设深值服从高斯分布。
视觉SLAM14讲学习笔记-ch9
shuaibidebei的博客
09-15 1671
本博客主要记录学习高翔老师视觉SLAM14讲的总结笔记，若有总结不对的地方，欢迎大家与我讨论。
[学习笔记-SLAM篇]视觉SLAM十四讲ch9
warningm_dm的博客
08-03 1300
和第6讲状态估计一样，太多数学推导了，抽象的东西没那么多，但是更令人头大了。 具体的推导还是有亲自计算的必要的，不过整体思路整理也很必要。 注： 1）学习视频：【高翔】视觉SLAM十四讲。 视觉SLAM十四讲第9讲9.1 理论部分9.2 实践部分 第9讲 9.1 理论部分 前端传输过来的地图点、相机运动这些数据都是粗糙的，虽然构建了运动方程（纯视觉SLAM没有）和观测方程，但含有误差，因此需要后端进行优化。 后端优化的方式就是进行状态估计。 1）状态估计 在视觉SLAM中，我们需要优化（待估计）的量是
[学习笔记-SLAM篇]视觉SLAM十四讲ch10
warningm_dm的博客
08-11 784
学学停停，发现学是学不完的，但是好歹还想学。 没有视频资料了（高博的），自学成才（不是）。 视觉SLAM十四讲第10讲10.1 理论部分9.2 实践部分 第10讲 10.1 理论部分 这一部分算是对第9讲的补充吧。 1）BA基本问题 之前说过，BA是一种批量处理的非线性优化方法，因此BA的规模是一个不可避免的问题。下面是常见的几种控制规模的方法。 ① 从普通帧中选出关键帧，仅构造关键帧与路标点之间的BA。但关键帧数目过多规模同样会增大。 ② 滑动窗口法，仅保留离当前时刻最近的N个关键帧。但若相机静止不动，
视觉SLAM十四讲笔记---02初始SLAM
luyangsiyi的博客
07-25 411
第二次看高翔博士的《视觉SLAM十四讲》，把一些觉得重要的笔记或者一些自己的想法写下来。 之前第一次主要读完之后没有留下深刻的印象，代码也就只是简单地跑了一下，希望这次能够沉淀下自己的东西，也能学会自己写一些代码。 欢迎志同道合的朋友们一起交流！ 1、相机的分类 （1）单目Monocular 优势：结构简单、成本低。 局限： 深度信息的缺失==>通过平移可以计算深度 但仍然...
《高翔SLAM十四讲》学习笔记ch1-ch3
shuttworth的博客
07-06 607
路线总领 主线：《SLAM十四讲》书本+高翔的视频观看 辅助：《计算机视觉life》SLAM知识星球的资源，利用起来 书本的知识点分布 第一部分为数学基础篇，我们会以浅显易懂的方式，铺垫与视觉SLAM 相关的数学 知识，包括： • 第一讲是前言，介绍这本书的基本信息，习题部分主要包括一些自测题。 • 第二讲为SLAM 系统概述，介绍一个SLAM 系统由哪些模块组成，各模块的具体工作是什么。实践部分介绍编程环境的搭建过程以及IDE 的使用。 • 第三讲介绍三维空间运动，你将接触旋转矩阵、四元数、欧拉角的相关知
自动驾驶中的传感器技术21——Camera（12）
最新发布
Godspeed_zwh的博客
08-04 918
本文系统介绍了自动驾驶摄像头的图像评测方法，重点分析了分辨率、解像力等关键性能指标的测试方案。文章指出，自动驾驶对图像质量评估提出了特殊要求，需要引入OD50、DQI等新型评价标准。详细阐述了静态测试（视场角、畸变率等）和动态测试（帧率、光照适应性等）的具体实施方法，并提供了分辨率测试的标准化流程与影响因素分析。最后探讨了当前图像质量评估面临的挑战，包括传统指标适用性不足等问题，提出未来应开发专用评估指标、应用深度学习技术等发展方向。文中还列举了11种常用的摄像头性能测试方案及相应的测试环境要求。
自动驾驶中的传感器技术11——Camera（2）
Godspeed_zwh的博客
08-01 857
摘要：自动驾驶摄像头(Camera)关键技术发展聚焦高分辨率（800万像素）、高动态范围（120-140dB）和LED闪烁抑制(LFM)等方向，以满足复杂环境下的图像采集需求。未来趋势包括全局快门技术、AI融合及夜视能力提升，同时需解决运动伪影与HDR的平衡问题。模组层面强调自清洁、防雾功能及成本优化。（149字）
自动驾驶中的传感器技术20——Camera（11）
Godspeed_zwh的博客
08-03 667
自动驾驶摄像头标定技术解析 摘要：自动驾驶摄像头的精准标定是保障系统安全运行的关键。标定分为内参标定和外参标定两大模块：内参标定确定焦距、主点坐标等5个相机固有参数，解决镜头畸变问题；外参标定则确定相机在车辆坐标系中的6D位姿（旋转和平移）。标定过程采用棋盘格靶标，通过多角度拍摄、特征提取、参数估算和优化等步骤实现。精确的标定直接影响车道保持、自适应巡航等核心功能的可靠性，不当标定可能导致误判引发安全隐患。专业标定需使用专用工具，遵循评估-调整-验证的标准流程，并需定期维护校准。
自动驾驶控制算法——LQR控制算法
swaggytiger的博客
08-03 776
摘要：LQR（线性二次型调节器）是一种基于状态反馈的最优控制算法，通过最小化二次型性能指标（误差和能耗）实现最优控制。其核心是求解黎卡提方程得到反馈增益矩阵K，使系统在误差最小化和控制能量最小化之间取得平衡。LQR具有多变量耦合处理能力、实时性强和理论最优性等特点，广泛应用于自动驾驶轨迹跟踪、车道保持等场景。通过调整Q（状态加权）和R（控制加权）矩阵可优化系统性能，如跟踪精度与舒适性的权衡。案例分析表明，LQR即使在非线性系统中也能有效工作。
自动驾驶嵌入式软件工程师面试题【持续更新】
weixin_48386130的博客
08-02 474
最近面了一些嵌入式的，整理一下面试题。面试会根据简历中提到的内容进行面试，但是像can等基础的通讯协议，简历里面有没有写都会问，是必要掌握的技能。之后如果还会面一些嵌入式的话再继续更新。
视觉slam项目经验
07-03
视觉SLAM（Simultaneous Localization and Mapping）项目实践是机器人和计算机视觉领域的重要研究方向，尤其在自主导航、增强现实和自动驾驶中具有广泛应用。对于初学者而言，掌握从理论到代码实现的完整流程至关重要。 ### 1. 学习路径与资源推荐 在开始实践之前，建议先系统学习SLAM的基本原理，包括传感器模型、运动模型、特征提取、数据关联、图优化等核心概念。高翔所著的《视觉SLAM十四讲》是一本非常适合入门的教材，内容涵盖从数学基础到实际编程的各个方面，并配有C++示例代码和Ubuntu环境下的配置指南[^1]。 此外，“SLAMPaperReading”资料包提供了大量经典论文的阅读笔记和技术解析，适合深入理解SLAM的算法演进和工程实现[^2]。 ### 2. 开发环境搭建 视觉SLAM项目通常使用C++或Python进行开发，依赖库包括OpenCV、Eigen、Pangolin、Sophus等。推荐使用Ubuntu操作系统，便于安装和管理相关工具链。 例如，编译LaTeX源文件生成PDF文档时，可使用如下命令： ```bash pdflatex slambook-en.tex ``` 该命令适用于将《视觉SLAM十四讲》的LaTeX源码编译为可阅读的PDF格式[^3]。 ### 3. 实践项目建议 #### (1) 单目视觉SLAM 从单目相机入手，实现基于特征点的SLAM系统。可以参考ORB-SLAM系列框架，学习其关键帧选取、地图初始化、重定位和回环检测机制。 #### (2) 双目/RGB-D SLAM 扩展至双目或深度相机（如Kinect），利用深度信息提升系统的鲁棒性和精度。TUM RGB-D数据集是一个常用的测试平台。 #### (3) 图优化与后端优化 掌握g2o、Ceres Solver等图优化库的使用方法，理解如何通过非线性最小二乘法优化位姿和地图点。 #### (4) 系统集成与可视化 使用Pangolin库实现SLAM系统的实时轨迹可视化和地图构建效果展示，有助于调试和性能评估。 ### 4. 常见问题与调优技巧 - **初始化问题**：单目SLAM存在尺度不确定性，需通过三角化或IMU辅助解决。 - **特征匹配失败**：采用更鲁棒的特征描述子（如ORB、SIFT、SURF）并结合RANSAC去除误匹配。 - **计算效率瓶颈**：合理控制关键帧频率，避免频繁的BA（Bundle Adjustment）操作。 - **漂移问题**：引入闭环检测模块，修正累积误差。 ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

sdhdwyx

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值