Starry__的博客

目录1. 特征点法1.1. 特征提取1.2. 特征匹配1.3. 计算相机运动三级目录2. 直接法在SLAM中前端视觉里程计（Visual Odometry, VO）要完成的是通过摄像头相邻的两帧图像变化估计相机的运动，并恢复空间结构。有两大类算法，分别是特征点法和直接法。1. 特征点法特征点法的含义是：通过分析相邻图像中特征点的变化来估计相机的运动。1.1. 特征提取此处特征点指图像中特别的区域，并且相邻间图像特征点 在诸如旋转、光照、尺度缩放等等影响下不发生明显变化。例如角点、边缘点、暗区域的亮

目录1. 线性代数库：Eigen1.1. 安装1.2. 核心：< Core >1.3. 几何：< Geometry >1. 线性代数库：Eigen1.1. 安装在Ubuntu的终端输入sudo apt-get install libeigen3-dev1.2. 核心：< Core >包含头文件#include<Eigen/Core>可在C++环境中实现矩阵的各种运算，类似于MATLAB。引用之后就可以如下进行使用了。Matrix<f

目录1. 状态估计1.1. 问题阐述三级目录1. 状态估计1.1. 问题阐述根据前文视觉SLAM（二）：相机与图像描述可知，不考虑畸变情形下空间中一个点到像素位置的映射为P′′=(100010)⋅K⋅R⋅(Pw−Ocw)(001)⋅R⋅(Pw−Ocw)(重要)P''=\left(\begin{array}{lcr}1 & 0& 0\\0 &1& 0\\\end{array}\right)· K·\frac{R·(P_w-O_{c_w})}{(0 \quad

目录1. 相机模型1.1. 针孔模型三级目录1. 相机模型1.1. 针孔模型针孔相机模型描述了从 现实世界坐标点 到 像素平面坐标点的一种映射。根据小孔成像原理，现实世界的物体经过小孔成像之后，在透镜后方的平面会形成 倒立缩小的实像。但实际相机我们看到的并不是倒立的，这是通过软件处理将像素平面上的所有点全部关于中心对称之后的结果，这样人眼看到的就是正像了。如图所示：三级目录...

目录1. 基本概念1.1. 惯性导航系统（Inertial Navigation System, INS）平台式INS捷联式INS参考资料1. 基本概念导航指 将航空器、航天器、火箭 和 导弹等运动体 从一个地方引导到目的地的过程。导航需要解决两个问题定位和引导，需要指出当前运动体的 运动状态信息，并指出到达目标点的方式，即从哪来到哪去1.1. 惯性导航系统（Inertial Navigation System, INS）基本思想是已知运动体的 初始位置 和 初始姿态信息，通过惯性传感器（Inert

目录1. TD预测1.1. TD(0)算法三级目录1. TD预测TD是另一种对最优策略的学习方法，本节讲述TD预测，即使用TD求解策略π\piπ的值函数vπ(s)v_{\pi}(s)vπ​(s)。TD预测被称为 DP 和 MC 的结合体，DP是 期望更新+自举，MC是 采样更新 + 样本估计。而TD则是采样更新 + 自举，即值函数V(St)V(S_t)V(St​)更新基于采样得到的V(St+i)V(S_{t+i})V(St+i​)的结果。如果i=1i=1i=1，就为TD(0)单步TD算法，否则就为多

目录1. 动态规划（Dynamic Programming, DP）1.1. 策略评估三级目录在得出策略π\piπ的状态值函数 和 动作值函数之后，那么该如何求出最优策略？根据环境的 动态特性是否已知分为两种方法：动态规划法 和 蒙特卡洛法1. 动态规划（Dynamic Programming, DP）DP是一种求解最优值得常用方法，此处用于求解系统动态特性p(s′,r∣s,a)p(s',r|s,a)p(s′,r∣s,a)已知情况下的最优策略。首先我们有一个策略π\piπ并以此求出最优策略π∗\pi

目录1. 强化学习1.1. 负反馈控制1.2. 强化学习参考资料1. 强化学习1.1. 负反馈控制在经典的自动控制原理中，控制信号uuu是根据被控对象的状态进行控制的，同时再考虑被控量的理想值，最终能使被控量的实际值 和 理想值达到一致。这样的控制作用基于经典的 负反馈思想u(t)=K(y(t)−ys)u(t) = K(y(t) - y_s)u(t)=K(y(t)−ys​)而对于离散系统，在kkk时刻施加的控制信号u(k)u(k)u(k) 是指在 kkk时刻观测到了系统状态x(k)x(k)x(

目录1. 基于采样1.1. 随机路标PRM（Probabilistic Road Map, PRM）1.2. 快速搜索随机树RRT（Rapid-exploration Random Tree, RRT ）三级目录1. 基于采样1.1. 随机路标PRM（Probabilistic Road Map, PRM）1.2. 快速搜索随机树RRT（Rapid-exploration Random Tree, RRT ）三级目录...

1.PID基本原理通俗理解被控对象：水缸输出：水位控制信号：加水的量控制目标：水位保持至1m比例（Proportion）控制信号=Kp×(目标水位1m−实际水位)Kp ×(目标水位1m-实际水位)Kp×(目标水位1m−实际水位)所以如果Kp=1Kp=1Kp=1，即差多少水就灌多少水，一次到1m。如果Kp<1Kp<1Kp<1，即一点一点灌水，几次就能到1m。如果Kp>1Kp>1Kp>1，即第一次灌很多水水位超出1m(超调)，此时水位偏差为负相当于抽水

动态矩阵控制(Dynamic matrix control, DMC)1. 预测模型预测模型是指根据历史信息对未来输出的预测模型。在DMC中，要求被控对象为线性模型，满足叠加原理。由于u(k)=u(k−1)+△u(k)u(k)=u(k-1)+△u(k)u(k)=u(k−1)+△u(k)依据叠加原理kkk时刻系统输出可以分别看作u(k−1)u(k-1)u(k−1)和△u(k)△u(k)△u(k)作用的叠加，即过去输入和现在输入的响应叠加。则有 在kkk时刻：y^(k+i)=y0(k+i)+ai