u010307048的博客

论文地址论文视频文章导读为什么要解读这篇文章？因为之前接连介绍该作者的两个工作，TEASER | 快速且可证明的点云配准算法和代码解读 和 基于四元数的存在外点Wahba问题的可证明最优解，前者的未知有界噪声，几何不变测量，内点选择最大团和SDP松弛思想均来自该工作，而后者和该工作共同组成了TEASER。所以为了彻底理解TEASER，就不得介绍本文。本文使用截断最小二乘将点云配准问题转化为优化问题，然后设计出可处理高外点率的多项式时间算法进行相对变换（尺度，旋转和平移）的计算。摘要提出了一种在存.

论文地址摘要主要贡献算法流程实验结果

论文地址摘要主要贡献算法流程实验结果总结

Eigen 中矩阵的定义#include <Eigen/Dense> // 基本函数只需要包含这个头文件Matrix<double, 3, 3> A; // 固定了行数和列数的矩阵和Matrix3d一致.Matrix<double, 3, Dynamic> B; // 固定行数.Matrix<double, Dynamic, Dynamic> C; // 和M

第1节概述与课程介绍1. VIO 文献阅读视觉与IMU进行融合之后有何优势？答：视觉提供丰富的场景信息，可以用来建立3D模型，定位和重定位；IMU提供自我运动的信息，可以用来恢复尺度信息，估计重力方向和速度信息等。有哪些常见的视觉 + IMU 融合方案？有没有工业界应用的例子？答：MSCKF，ROVIO，Okvis，VI-ORB，VINS-Mono等；谷歌tango里面的算法据说用的是MSCKF，还有AR/VR设备和无人机里面会用VIO。在学术界， VIO 研究有哪些新进展？有没有将学习方法用到

前言SLAM一般采用基于迭代的贝叶斯估计方法或者基于平滑的方法进行状态估计，这两种方法都需要精准的状态初始值，因此鲁棒、快速的初始化可以用来提供精确的初始状态估计，这一环节是实时VINS的核心部分。初始化主要的工作是研究VIO系统的可观测性质，IMU的全局位置和yaw是不可观测量[1, 2]；以下的量是可观测量：（O1）相对于水平面的IMU姿态，也就是roll和pitch（O2）相对于IMU初始帧的IMU轨迹（位置、速度和方向）（O3）相对于IMU初始帧的特征点位置（O4）IMU与相机坐标系之间

Sparse Model-based Image Alignmentframe_handler_mono.cppimg_align建立新类，初始化相关参数img_align.run

如有谬误，请联系指正。转载请注明出处。联系方式：e-mail: ericzzj@163.comgithub: https://github.com/ericzzj1989