qq_49561752的博客

复习，逢考避过

复习总结

投影模型与三角化推理验证

在上面解决位姿优化问题中并没有真正使用marg，而是在最后给了一个具体的信息矩阵H，把对齐操作的结果展示了出来。1 确定维度-----优化变量的维度n = 6p+3l，残差维度m，则单个残差雅可比J（1*n），推断出单个。是海塞矩阵中每个优化姿态的实际索引，因为每一个姿态占6维，所以要每次更新其在H中的左上角索引！是优化变量要优化的维度，比如位姿，如果用四元数表示，输入参数维度是7，但实际优化维度是6！到次为止，H有了，残差有了，LM参数有了，那么我们就能够直接求解这个方程。可求解，但是求得的结。

VIO第4讲基于滑动窗口算法的 VIO 系统：可观性和一致性文章目录VIO第4讲基于滑动窗口算法的 VIO 系统：可观性和一致性1 从高斯分布到信息矩阵1.1 SLAM和高斯分布1.2 协方差矩阵与信息矩阵2 舒尔补应用：边际概率、条件概率2.1 舒尔补2.2 舒尔补的应用2.2.1 结论12.2.2 结论22.2.3 总结3 滑动窗口算法与边缘化 Marginalization3.1 最小二乘的图表示3.2 最小二乘问题信息矩阵的构成3.3 信息矩阵的稀疏性3.4 信息矩阵组装过程的可视化3.5 基于边

VIO第3讲：基于优化的IMU与视觉信息融合之预积分残差雅可比推导文章目录VIO第3讲：基于优化的IMU与视觉信息融合之预积分残差雅可比推导4 IMU 预积分残差的雅克比4.1 预积分残差4.2 残差对两个关键帧i、j状态量的雅可比① 速度误差rvr_{v}rv​对`i`时刻状态量雅可比<1> 位移p<2> 旋转q<3> 速度v<4> 加速度偏置<5> 角速度偏置② 角度误差rqr_{q}rq​对`i`时刻状态量雅可比<1> 位移p&

VIO第3讲：基于优化的IMU与视觉信息融合之视觉残差函数构建文章目录VIO第3讲：基于优化的IMU与视觉信息融合之视觉残差函数构建3 视觉重投影残差的 Jacobian3.1 视觉重投影残差① 估计值（预测值）<1> 推导<2> 引出因子图-优化变量<3> 简化形式② 观测值3.2 重投影残差雅可比J① 残差对归一化坐标点fcj{\mathbf{f}_{c_j}}fcj​​导数② 归一化坐标点fcj{\mathbf{f}_{c_j}}fcj​​对扰动量求导<1&

VIO第3讲：基于优化的IMU与视觉信息融合之IMU预积分文章目录VIO第3讲：基于优化的IMU与视觉信息融合之IMU预积分1 IMU预积分1.1 IMU常规积分—连续时间—不适用1.2 预积分形式① 定义② 如何推导出预积分定义③ 用预积分表达IMU积分公式④ 预积分误差（残差）⑤ 预积分的离散形式1.3 为什么采用预积分1.4 预积分量的误差递推(噪声模型)① 基于一阶泰勒展开的误差递推方程② 基于误差随时间变化的递推方程③ 预积分误差传递的形式1.4 零偏更新1 IMU预积分1.1 IMU常规

最小二乘法详解之梯度下降、牛顿法、GN、LM算法与鲁棒核函数

生成模拟的IMU数据，然后使用imu_utils和kalibr_allan软件波进行IMU的标定，对两种方法进行对比

IMU传感器模型与误差模型