redfivehit的专栏

最近学习增强现实(AR)，从各种渠道学习相关的知识，这里也记录一下，方便后面自己查看SLAM，即Simultaneous Localization and Mapping，及时定位与地图创建写slam相关的程序，可以在linux环境下，例如ubuntu，会用到的库可能包括OpenCV, PCL, g2oPCL就是Point Cloud Library啦，处理点云的必备工具。

http://www.cnblogs.com/gaoxiang12/p/4652478.html从上面学习转载18 // 相机内参19 const double camera_factor = 1000;20 const double camera_cx = 325.5;21 const double camera_cy = 253.5;22 const double

SLAM是由“定位”（Localization)和“建图”（Mapping)两部分构成的。现在来看定位问题。要求解机器人的运动，首先要解决这样一个问题：给定了两个图像，如何知道图像的运动关系呢？假如有两帧数据，目的是求出一个旋转矩阵RR和位移矢量tt，这个问题可以用经典的ICP算法求解。其核心是奇异值分解(SVD)。OpenCV中的函数就可以求解此问题，不了解原理细节的话，可以直接使用open

http://www.cnblogs.com/gaoxiang12/p/4669490.html得到两帧图像的选择矩阵和位移矩阵，就可以把两张图像的点云给拼接起来，形成更大的点云。点云的拼接，实质上是对点云做变换的过程。这个变换往往是用变换矩阵(transform matrix)来描述的：T=[R3×3O1×3t3×11]∈R4×4T=[R3×3t3×1O1×31]∈R

http://www.cnblogs.com/gaoxiang12/p/4754948.html什么是视觉里程计呢？简而言之，就是把新来的数据与上一帧进行匹配，估计其运动，然后再把运动累加起来的东西。FRAME readFrame( int index, ParameterReader& pd ) 是读取帧数据的函数。告诉它我要读第几帧的数据，它就会乖乖的把数据给找出来，返

SLAM模型的运动方程和观测方程方程中的位姿可以用变换矩阵来描述，然后用李代数进行优化（可以用李群表示，但是群比较复杂，用李代数近似模拟，用李代数优化）观测方程由相机成像模型给出，其中内参是随着相机固定的，而外参就是指相机的位姿（位置xyz和姿态朝向）

slam中经常遇到非线性优化问题：许多个误差项平方和组成的最小二乘问题，两个最常见的梯度下降方法-非线性优化方案：高斯牛顿法、裂纹伯格-马夸尔特方法两个c++的优化库：来自谷歌的ceres库和基于图优化的g2o（g2o(General Graph Optimization），使用ceres和g2o可以拟合曲线g2o是将非线性优化与图论结合起来的理论，首先把问题转换为图优化，定义新的顶点和边

旋转矩阵：坐标系之间的欧式变换，通过一个旋转矩阵实现，3x3的，9个量表达3个自由度（也就是物体位置xyz的表示），a=Ra^，R是3x3矩阵齐次坐标：三维向量后面加个常数1，（x、y、z、1），变成四维向量变换矩阵：对于齐次坐标的四维向量，把旋转和平移写到一个矩阵里，就是变换矩阵，左上角是3x3的旋转矩阵，右上角是平移向量3x1，左下角0向量，右下角是1旋转向量：由于任意旋转可以通过

机器人导航中，2D的特征reproject回三维域内，和真正的3D点的位置会有偏差。但是在物理意义上，3D点和投射到摄像机的2D特征点是同一个点。所以这个误差出现在计算3D点时摄像机自身旋转矩阵和位移向量上。Bundle Adjustment的作用是，通过least square等算法，去最小化这个偏差，以此得到机器人移动和方向的精确值。这在物理意义上是最精确的，是Visual SLAM问