木独的博客

3D雷达进行室外点云地图构建

2022年九月份SLAM相关论文一览

深度滤波器推导测量不确定性图像IrI_rIr​与IkI_kIk​对应的相机中心分别为Cr,CkC_r,C_kCr​,Ck​。二者的转换关系为Tk,rT_{k,r}Tk,r​,并且平移距离为ttt, 估计场景中的3d点为rPrPrP.假设匹配误差为一个像素，得到的误差距离为τk2=(∥rP∥−∥rP+∥)2\tau_k^2=(\|rP\|-\|rP^{+}\|)^2τk2​=(∥rP∥−∥rP+∥)2。因此有：a=rP−ta = rP - t a=rP−t角度α=arccos⁡(f⋅t∥t∥

个人注释版本的代码链接如下https://github.com/linyicheng1/OpenSLAM-Notes/tree/main/VINS-Mono-master算法分为三个部分，分别在3个独立的ros工程中，分别为 feature_tracker vins_estimator pose_graph运行算法的launch文件，如euroc.launch中则运行该三个节点，并获取配置文件 config/euroc_config.yaml 路径，传递给各程序四个模块之间的数据交互（加上可视化数据

采用逆深度参数表达的BA问题导数推导由于大部分的slam算法均采用逆深度参数表达地图点的结构，但是网上对该方法的介绍比较少因此本文将详细说明其推导过程。逆深度参数表达具有优化变量少、能表达非常远的点以及分布接近高斯分布等优势，这也是大家选择逆深度参数的原因。图结构表达从上图可以看出一个约束项Ep12E_{p_{12}}Ep12​​连接三个节点分别是当前帧、参考帧和逆深度参数表达的地图点。这是因为在逆深度参数的表达下需要当前帧、参考帧位姿及地图点才能共同确定误差函数，这将在下文中看到。优化节点

Bundle Adjustment预备知识：g2o学习笔记（一）：曲线拟合Bundle Adjustment简述1. 问题定义已知：一系列图片以及图片内对应的特征点匹配关系图片： 特征点：待求：特征点的3d位置以及图片对应的相机位姿3d点位置： 相机位姿：2. g2o相关API介绍3. 代码实现4. 小结...

前言：g2o对于slam等问题来说十分的重要，将一个slam问题构建成图结构表达的优化问题是目前大多数的slam算法的通用做法。之前在学习了高博对g2o的讲解后至今感觉意犹未尽，表现在对于简单问题能够理解其含义而在slam问题中构建的各种复杂的优化问题则感到无力，因此决定按照g2o源码给出的实例系统的学习g2o库的使用。预备知识：《视觉slam14讲》ch6部分博文风格：由于这是第一篇博客，先介绍撰写博客时的思路。首先介绍每篇博客需要求解的问题定义，然后介绍使用到的g2o接口最后便是源码剖析。曲

Real-Time Loop Closure in 2D LIDAR SLAM主要贡献：提出一种实时运行的激光slam，精度能达到5cm，前端采用CSM后端采用SPA，并采用分枝定界算法添加回环检测功能。采用构建submap的形式使得系统能够在大型环境中运行。前端scan每当获取到一帧扫描数据后快速的与子地图进行匹配得到相对的坐标变换关系Tξp=(cos⁡ξθ−sin⁡ξθsin⁡ξθcos⁡ξθ)⏟Rξp+(ξxξy)⏟tξT_{\xi} p=\underbrace{\left(\begin{a

前言：前端多技巧，后端多理论是slam的一个特性。因此要理解本论文需要一定的理论基础。即需要对加权LM算法十分熟悉，对矩阵求导、SO（3）上的导数、稀疏线性方程组求解等理论非常熟悉，还有slam问题中图结构的构造。总体评价：创新点不大，将视觉中的BA问题直接类比到了激光中，使用了一些工程技巧提高了算法性能。主要工作：采用和视觉BA问题类似的方法构建图结构进行优化，利用矩阵的稀疏结构对算法进行加速。优势：考虑约束中的协方差信息使结构更加精确SPA对于初始值不敏感，只有非常小的概率陷入局部最优收敛

前言：本文是和Cartographer相关的三篇论文之一的《Real-Time Correlative Scan Matching》的阅读总结，主要介绍了激光slam的前端部分。创新点：以往的方法总是希望强调较小的计算量而更少的关注计算结果的质量，由于计算能力的提高这已经不那么重要了，加上文中论证误差函数往往是存在多个局部最优值的使得其他算法结果质量不高，因此本文提出的方法能够在提高计算复杂度的条件下求解出全局最优值。以往只是单纯的求解最优值，而本文可以计算当前估计的概率分布为后续优化工作提供更多信

configurationevo_config 是一个小工具，可以用于更改全局设置或者生成自定义配置文件。自定义配置文件有时，将实验的参数存储在专用文件中，而不是每次都手动输入作为命令行的参数是非常有用的。evo大多数命令行工具都可以用-c或者–config参数加载.json配置文件。示例假设要运行下面这条命令计算位置的相对误差evo_rpe tum groundtruth.txt e...

最近深蓝学院在视觉slam之后又推出了进阶版的手写VIO教程，看上去能学到很多东西的样子，唯一一点不足之处在于价格实在是太贵了好吧！！！表示穷学生党学不起，好在最近找了几个志同道合的朋友一起承担这个费用才勉强能获得学习资源。怀着强烈的期待与好奇并希望借这个机会提高一下自己的能力，我决定每一次的课程都写一篇笔记来巩固自己学的东西，并把课后习题贴在这里，逼迫自己好好学习，day day up！在预...