slam学习之十四讲(章节总结)

原创 已于 2025-03-30 01:12:11 修改 · 59 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#学习 #opencv

于 2023-05-25 16:25:45 首次发布

在这里插入图片描述
初识SLAM

第一章习题解答

第二章目标
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

最后十四讲，课后习题如下
在这里插入图片描述
在这里插入图片描述在这里插入图片描述

在这里插入图片描述在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
1、安装 Pangolin
需要把 Pangolin 的版本降到0.5，就OK了
附上 Pangolin0.5 的网盘链接
https://pan.baidu.com/s/1yEQvArzHz35CUJc-BEmNiw 提取码: n6r8

c++ - ‘std::chrono::monotonic_clock’ has not been declared - Stack Overflow 这个问题的解决方案如下
https://blog.youkuaiyun.com/luoganttcc/article/details/120850008

编译大部分问题可在如下修改
https://blog.youkuaiyun.com/weixin_52519143/article/details/127000332
在这里插入图片描述在这里插入图片描述
在这里插入图片描述

视觉SLAM十四讲学习笔记
weixin_42751489的博客
12-21 2113
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言第一讲 预备知识1.1 本书讲什么SLAM特点目的相关书籍第二讲 初识SLAM2.1自主运动能力传感器摄像头2.2流程视觉里程计后端优化回环检测建图度量地图拓扑地图2.3 数学表述运动过程的数学表述基本定义运动观测 前言 c 第一讲 预备知识 1.1 本书讲什么 SLAM Simultaneous Localization and Mapping，中文译作“同时定位与地图构建”。 特点 搭载特定传感器的主体; 没有环境先验信
视觉SLAM十四讲笔记-- 第三讲
野生C猿的专栏
01-07 464
第三讲课后题 1、验证旋转矩阵是正交矩阵。 （1）正交矩阵 定义：设A为n阶方阵，如果ATA=IA^TA=IATA=I 或者 AAT=IAA^T=IAAT=I，就称A为正交矩阵 性质： 正交矩阵的每一个列向量都是单位向量，且向量之间两两正交。 正交矩阵的行列式为1 或者 -1 A−1=ATA^{-1}=A^TA−1=AT(充要条件) （2）旋转矩阵 旋转矩阵描述了坐标系之间的旋转变换，由3 × 3 的矩阵描述。 验证思路是利用 正交矩阵的充要条件 （A−1=ATA^{-1}=A^TA−1=AT）来验证
视觉SLAM总结——视觉SLAM十四讲笔记整理
weixin_44580210的博客
02-17 8432
SLAM笔记整理基础知识点1. 特征点、描述子、特征匹配相关问题 基础知识点 1. 特征点、描述子、特征匹配 这是整个SLAM系统最开始的部分，先提取特征点和描述子，然后进行特征匹配，通过匹配的特征点才求取的相关变换矩阵，这里容易搞混特征点和描述子的概念。 （1）特征点 Harris角点：就是一个根据特征小窗口在不同方向上的移动，不同的变化形式即为不同特征（角点、边界），转化到数学公式里面最后就是...
视觉SLAM十四讲
epic_Lin的博客
01-26 1万+
1、激光SLAM 激光SLAM相对成熟，比如2005年出版的《概率机器人》中就介绍了很多关于激光SLAM的知识，在ROS里也能找到许多关于激光定位、激光建图的现成软件。 2、单目SLAM 在相机移动时，近处的物体移动快，远处的物体移动慢，极远处的物体看上去是不动的。于是当相机移动时，这些物体在图像上的运动就形成了视差。通过视差，我们就能定量的判断哪些物体离得远，哪些物体离得近。 然而，即使我们知道了物体远近，它们仍然只是一个相对的值。单目SLAM估计的轨迹和地图将与真实的轨迹和地图相差一个因子，也就
视觉SLAM十四讲学习记录 第五讲
qq_20184333的博客
10-04 1447
视觉SLAM十四讲学习记录 第五讲
高翔视觉slam十四讲 pdf_详解 | SLAM回环检测问题
weixin_39602967的博客
11-28 864
点击“计算机视觉life”关注，置顶更快接收消息！本文经知乎作者fishmarch授权转载，二次转载请联系作者原文：https://zhuanlan.zhihu.com/p/45573552在视觉SLAM问题中，位姿的估计往往是一个递推的过程，即由上一帧位姿解算当前帧位姿，因此其中的误差便这样一帧一帧的传递下去，也就是我们所说的累积误差。如下图所示，我们的位姿约束都是与上一帧建立的，第五...
视觉SLAM十四讲学习1 环境配置
qq_41035283的博客
06-28 4850
视觉SLAM十四讲学习1 环境配置 目录视觉SLAM十四讲学习1 环境配置前言一、系统设置二、SLAM常用包配置1.Debian常用软件包2.OpenCV和opencv_contrib包3.SLAM代码与第三方包Kdevelop安装Eigen安装Sophus安装Pangolin安装PCL安装Ceres-solver安装g2o安装Meshlab安装Octomap安装DBoW3安装总结 前言 这里将记录一些我学习SLAM十四讲的总结心得以及实际操作，包括数学公式和理论推导，以及代码调试等，会持续不定时的更新
《视觉SLAM十四讲》学习笔记
qq_29128985的博客
11-07 3301
《视觉SLAM十四讲》学习笔记 第一讲：添加链接描述 第二讲
学习《视觉SLAM十四讲》——ch4实践踩坑及解决办法总结
Ron__ronner的博客
08-26 507
一般出现这种问题主要是路径问题导致的，无法准确找到文件所在位置，解决方法一般也很简单，把代码中的文件更改为绝对路径即可解决这类问题！编译SLAM十四讲ch4代码时一直报遇以下错误，困扰了一下午也没找出是什么原因，让人头大！又是跟SLAM十四讲bug缠缠绵绵的一下午，痛并快乐着~~~~查资料发现这个错误通常是因为编译器没有启用。
视觉SLAM整理，是视觉SLAM14讲的一些总结内容，用于自己归纳整理
07-19
本文是对SLAM学习的总结，涵盖了从基础到实践的多个方面。 首先，要进行视觉SLAM，需要搭建一个基础环境，如安装Ubuntu操作系统，配置CMake工程，熟悉使用vim编辑器，以及掌握g++编译器的使用。这些是进行C++开发的...
学习《视觉SLAM十四讲》——ch5实践踩坑及解决方法总结
Ron__ronner的博客
09-05 2241
首先，ch5中的示例程序需要安装opencv库，第一步一定要安装好opencv库，opencv库的安装这里不再赘述，由于在前几讲中我安装了eigen3.4.0库，并随之配置了sophus库，但不知为何配置opencv总是报下面的错误。我想大概是与这个有关系，于是尝试卸载当前安装的Eigen库，重新安装配置了Eigen3.3.9版本库，安装结束后同样方式查看版本号，这时就正常显示3.3.9版本了，接下来尝试重新编译下opencv，此时。，于是开始检查Eigen库的版本，发现明明安装的是3.4.0版本，但在。
视觉SLAM十四讲--第13讲 实践：设计SLAM系统（最详细的代码调试运行步骤）
热门推荐
记录和分享
12-04 1万+
最详细的代码调试运行避坑说明，也包含了我自己对代码的理解，如有理解错误的地方，欢迎指正交流。
SLAM技术栈 ——《视觉SLAM十四讲》学习笔记（一）
键盘国治理专家的博客
02-03 1408
SE(n)是特殊欧氏群(Special Euclidean Group)：这种矩阵的特点是，左上角为旋转矩阵，右侧为平移向量，左下角为0向量，右下角为1。这篇文章看过后，你应该能理解，为什么看上去铁轨在无限延伸处，看起来是相交的，这就是因为三维空间投影至二维视觉成像平面，所以按这种说法，角速度也是一种向量，高中物理课本上有说这一点，但是角速度这种向量很特殊，被当做标量处理。在书籍代码中有涉及，这是考研数学的一部分，来复习下，QR分解的一个目的是为了快速寻找矩阵特征值。伸出你的左右手，始终保持这两只手指的。
【PCIe 总线及设备入门学习专栏 5.4 -- Linux EP driver iommu 与 DMA】
CodingCos的博客
12-04 80
本文介绍了IOMMU在Linux系统中的应用场景及关键概念。IOMMU主要用于PCIe设备DMA访问时的地址转换(IOVA→PA)、提供安全隔离以及支持虚拟化场景。文章对比了启用/关闭IOMMU的差异，详细说明了IOVA的使用时机，并列举了内核态地址转换的相关API，包括虚拟地址转物理地址(virt_to_phys)、用户态地址转换(get_user_pages)以及IOMMU相关转换(iommu_iova_to_phys)。特别指出CPU访问BAR时不经过IOMMU，只有PCIe设备DMA时才需要IOMM
算法题归类学习
最新发布
qq_43751506的博客
12-05 364
删除排序链表中的重复元素II（LeetCode 82） - 全删除。删除排序链表中的重复元素（LeetCode 83） - 保留一个。删除链表的倒数第N个结点（LeetCode 19） - 快慢指针。二叉树的最大深度（LeetCode 104） - DFS/BFS。二叉树的最近公共祖先（LeetCode 236） - 递归查找。二叉树的层序遍历（LeetCode 102） - BFS队列。二叉树的中序遍历（LeetCode 94） - 递归/迭代。环形链表（LeetCode 141） - 快慢指针判环。
vite学习
qq_41549657的博客
12-04 627
核心优势极速开发启动：开发阶段不打包，直接让浏览器加载原生ESM,配合ebuild预购建第三方依赖，启动时间从webpack的秒级变为毫秒级热更新（HMR）快:只更新修改的模块，而非全量重建，大型项目热更新耗时<10ms按需编译：开发阶段仅编译当前请求的模块，而非全量打包内置对Typescript、JSX、CSS、静态资源的支持，无需复杂配置生产环境优化：基于Rollup打包，输出高度优化的静态资源，兼顾开发销量和生产性能<docs>Vite 处理.vue。
【Prompt学习技能树地图】LangChain原理及应用操作指南
致力于成为一名data scientist 的奋斗者
12-03 684
基础层主要解决两个核心问题：模型调用的统一化和数据存储的标准化。通过抽象接口设计，为上层应用提供了稳定、可预测的编程模型。表3.2：基础层核心组件概览组件类别核心功能解决的关键问题典型实现模型抽象统一模型调用接口屏蔽不同模型API差异存储抽象统一数据访问方式标准化各类存储系统操作文档处理多格式文档加载与转换统一文档处理流程PDF、HTML、Markdown解析接口规范定义标准化调用契约确保组件间兼容性BaseLLM、VectorStore接口。
学习笔记二十三：支持向量机-间隔与支持向量
dengdaijc的专栏
12-02 743
本文介绍了支持向量机(SVM)的基本原理。SVM通过在样本空间中寻找最优划分超平面来实现分类，其核心思想是最大化分类间隔以提高泛化能力。关键概念包括：划分超平面的数学表示（由法向量和位移项定义）、支持向量（决定超平面位置的最近样本点）以及间隔（反映分类置信度）。SVM的基本型是一个凸二次规划问题，通过最小化法向量范数平方来最大化间隔，同时满足所有样本正确分类的约束条件。该方法具有理论严谨、模型稀疏、全局最优等优势，是经典的分类学习算法。
【办公软件学习】
qq_44901836的博客
12-03 592
办公软件学习技巧，解决办法
视觉slam十四讲ch3
03-27
### 关于《视觉SLAM十四讲》第三章的内容总结 《视觉SLAM十四讲》的第三章主要围绕**相机模型与图像形成**展开，这是理解后续SLAM算法的基础部分。以下是该章节的主要内容概述： #### 1. **相机模型** - 相机模型是描述现实世界中的三维场景如何通过光学原理投影到二维平面的过程[^1]。 - 主要讨论了针孔相机模型及其参数化形式，包括焦距 \(f\)、光心位置 \((c_x, c_y)\)，以及径向畸变和切向畸变的影响。 #### 2. **坐标系转换** - 讨论了世界坐标系、相机坐标系和像素坐标系之间的关系。 - 提供了从三维空间点到二维图像平面上对应点的映射公式： ```math u = f * X/Z + c_x,\quad v = f * Y/Z + c_y ``` 其中，\((u,v)\) 是图像上的像素坐标，\( (X,Y,Z) \) 是相机坐标系下的三维点坐标[^3]。 #### 3. **单应矩阵（Homography Matrix）** - 单应矩阵用于描述在同一平面内的两幅图像之间点的关系。 - 当已知两幅图像间的旋转和平移时，可以通过单应矩阵计算出对应的匹配点。 #### 4. **本质矩阵（Essential Matrix）与基础矩阵（Fundamental Matrix）** - 介绍了本质矩阵的概念，它表示两个摄像机视图间点的几何约束关系。 - 基础矩阵则进一步扩展至未校准的情况，允许处理未知内参的情形。 #### 5. **实践应用** - 配合理论讲解，书中还提供了基于 OpenCV 的实现案例，帮助读者更好地理解和验证上述概念。 --- ### 资源获取方式 对于希望深入了解或复习第三章内容的学习者来说，《视觉SLAM十四讲》官方配套资源是一个很好的起点。可以访问以下链接下载相关内容： - 官方项目地址：[https://gitcode.com/Open-source-documentation-tutorial/4dfba](https://gitcode.com/Open-source-documentation-tutorial/4dfba) 此外，在实际操作过程中，建议尝试完成一些编程练习以巩固所学知识点。例如，按照书中的指导搭建一个简单的CMake工程并测试所提供的 `libhello.so` 功能库: ```cpp // 示例代码片段展示如何调用 sayHello() #include "include/hello.h" int main(){ sayHello(); // 输出 “Hello SLAM” return 0; } ``` --- ###
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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
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