u010451780的专栏

ORB-SLAM是西班牙Zaragoza大学的Raul Mur-Artal编写的视觉SLAM系统。他的论文“ORB-SLAM: a versatile andaccurate monocular SLAM system"发表在2015年的IEEE Trans. on Robotics上。开源代码包括前期的ORB-SLAM和后期的ORB-SLAM2。第一个版本主要用于单目SLAM，而第二个版本支持单目、双目和RGBD三种接口。特点ORB-SLAM是一个完整的SLAM系统，包括视觉里程计、跟踪、回环检测

最近在看orb-slam，orb-slam方案在slam领域的地位就不用说了，我花了三天大概理清了一下代码的逻辑和思路。具体的细节还没有仔细去看，由于本人也是刚刚学完高博的视觉slam十四讲，所以有一些地方有错误的还望批评指正。另外我参考的资料除了论文以外，还有在泡泡机器人上面找到的吴博和冯兵两位老师的视频以及PPT，非常感谢泡泡机器人这个平台，学习到了很多知识！首先还是看论文里面的这幅图，当时就没有太在意，后来才发现这幅图的逻辑非常的清晰，真的是非常的好，另外orb-slam的代码逻辑也非常的清晰，L

https://www.zhihu.com/column/c_1084087088789569536

https://blog.youkuaiyun.com/kalenee/article/details/100183433一、安装配置依赖# CMakesudo apt-get install cmake# google-glog + gflagssudo apt-get install libgoogle-glog-dev# BLAS & LAPACKsudo apt-get install libatlas-base-dev# Eigen3sudo apt-get insta.

https://zhuanlan.zhihu.com/p/34995102一、前言这篇文章作为我的硕士期间学习总结，将从导航定位层面介绍SLAM技术，并给初学者一些学习建议。不会涉及非常深的理论方面的东西，初衷是重点说清楚SLAM方法的应用价值和学习方向，笔者认为这个对初学者更加重要。这篇文章假设读者已经了解了SLAM的基本概念。文章中提到的部分参考资料，我整理了一份传到了网盘上：链接：https://pan.baidu.com/s/1gWqXH1cdvyeID3y7ktXOZQ密码：1m34

BoW基本简介Bag of words模型最初被用在文本分类中，将文档表示成特征矢量。它的基本思想是假定对于一个文本，忽略其词序和语法、句法，仅仅将其看做是一些词汇的集合，而文本中的每个词汇都是独立的。举例说明文档一：Bob likes to play basketball, Jim likes too. 文档二：Bob also likes to play football games.基于这两个文本文档，构造一个词典： Dictionary = {1:”Bob”, 2. “like”.

SVO（Semi-Direct Monocular Visual Odometry）是苏黎世大学Scaramuzza教授的实验室，在2014年发表的一种视觉里程计算法，它的名称是半直接法视觉里程计，通俗点说，就是结合了特征点法和直接法的视觉里程计。目前该算法已经在github上面开源（https://github.com/uzh-rpg/rpg_svo）。贺一家在它的开源版本上面进行改进，形成了SVO_Edgelet（https://github.com/HeYijia/svo_edgelet）。相比原版，

VINS 基本介绍VINS-Mono 和 VINS-Mobile 是香港科技大学沈劭劼老师开源的单目视觉惯导 SLAM 方案。2017年发表于《IEEE Transactions on Robotics》。另外，VINS 的最新一篇论文获得了 iROS 2018 最佳学生论文奖。它是基于优化和滑动窗口的 VIO ，使用 IMU 预积分构建紧耦合框架，同时还有自动初始化，在线外参标定，重定位，闭环检测，以及全局位姿图优化功能。VINS-Mono 是基于单目视觉惯性系统的实时 SLAM 框架， 是.

作者：小觅智能链接：https://www.zhihu.com/question/35116055/answer/517138352来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。ORB-SLAM 是西班牙 Zaragoza 大学的 Raúl Mur-Arta 编写的视觉 SLAM 系统。 它是一个完整的 SLAM 系统，包括视觉里程计、跟踪、回环检测，是一种完全基于稀疏特征点的单目 SLAM 系统，同时还有单目、双目、RGBD 相机的接口。其核心是使用 ORB .

SLAM技术简介SLAM技术是指即时定位与地图构建，意思是说，当我们把机器人放在一个未知的环境中时，机器人能通过附近的环境对自身进行定位，并绘制出附近环境的地图，当然这个地图不是说我们常常看的那种地图，而是一些能够被机器人用来定位的数据点，我们也把它们叫做点云 右边这个图是视觉SLAM的一个主流框架，其中在前端视觉里程计这部分，就是利用前后两帧图片去推断出相机的运动，进而估计出机器人的运动轨迹；后端优化就是对这些运动轨迹甚至是点云的位置进行优化，使对他们的估计更加合理，误差更小；构图就是将观测到的环境信

https://www.cnblogs.com/zjiaxing/p/5548265.html在目前实际的视觉SLAM中，闭环检测多采用DBOW2模型https://github.com/dorian3d/DBoW2，而bagofwords又运用了数据挖掘的K-means聚类算法，笔者只通过bagofwords模型用在图像处理中进行形象讲解，并没有涉及太多对SLAM的闭环检测的应用。1.Bag-of-words模型简介Bag-of-words模型是信息检索领域常用的文档表示方法。在信...

https://blog.youkuaiyun.com/Darlingqiang/article/details/80689922

SLAM学习资源分享转载来自[SLAM],(https://mp.weixin.qq.com/s/kAdGdWDlw15ZmLzG56DOOA)如果告知侵权会删除之前曾经总结过关于SLAM的资源，但感觉有些零零散散，在此进行补充与完善，分享给大家。SLAM，全称叫做Simultaneous Localization and Mapping，中文叫做同时定位与建图。二 干货1.PnP算法简介与代码解析（视频+PPT课件+代码解析）链接https://pan.baidu.com/s.

https://blog.youkuaiyun.com/weixin_38636815/article/details/107838359背景：前面用了几篇文章来记录和总结了，我在研究bundlefusion过程中遇到的一些问题以及解决方法，本来想实现给bundlefusion输入先验轨迹，然后让其根据给定的轨迹进行重建，这样即便在环境比较恶劣的情况下，也可以使用给定的位姿完成重建任务，但是这段时间对bundlefusion有了新的认识，意识到这件事没有我想象的那么简单。bundlefusion的研究工作就要告一段

https://blog.youkuaiyun.com/jiahao62/article/details/80655542https://blog.youkuaiyun.com/qq_35590091/article/details/95987844阅读《视觉SLAM十四讲》中遇到的问题及习题资源整理，或为原创，或来自网络，如有问题请与我联系，会在第一时间加以修正。　后来自己写完看到另一位写的博客，相形见绌，大家可以互相结合的看。第一讲1.线性方程的解：转载自宋洋鹏（youngpan1101），了解线性代数可关注B

本资料首发于公众号【3D视觉工坊】，原文请见那些精贵的3D视觉系统学习资源总结（附书籍、网址与视频教程），更多干货请关注公众号后台回复关键字获取~（一）基础操作Linux：学习网站Linux中国：Linux 中国◆开源社区鸟哥的linux私房菜：鳥哥的 Linux 私房菜 -- 鳥哥的 Linux 私房菜 首頁Linux公社：Linux公社 - Linux系统门户网站学习书籍《鸟哥的Linux私房菜》《Linux命令行与shell脚本编程大全》《Linux Sh...

微信公众号推荐【3D视觉工坊简介】公众号【3D视觉工坊】，致力于3D视觉算法、SLAM算法、三维重建、点云处理、深度学习、目标检测、语义分割、自动驾驶感知算法等领域的技术传播，注重内容的原创分享和高质量学习心得的传播。【作者介绍】公众号博主1：Tom Hardy，先后就职于国内知名研究院、自动驾驶独角兽公司、海康研究院，致力于计算机视觉算法、深度学习算法、自动驾驶感知算法等领域的研究，优快云博客专家。公众号博主2：小凡，先后任职于知名研究院、知名VSLAM公司，致力于3D视觉算法、

https://blog.youkuaiyun.com/qq_15332903/article/details/80224387https://blog.youkuaiyun.com/qq_15332903/article/details/80224387目前二维深度学习取得了很大的进步并且应用范围越来越广，随着三维设备的发展，三维深度学习得到了很大的关注。最近接触了三维深度学习方面的研究，从pointnet入手，对此有了一点点了解希望记录下来并分享，若有误希望指正~持续更新以下所有的解读基于点云分类。一...

我们生活在三维空间中，如何智能地感知和探索外部环境一直是个热点难题。2D视觉技术借助强大的计算机视觉和深度学习算法取得了超越人类认知的成就，而3D视觉则因为算法建模和环境依赖等问题，一直处于正在研究的前沿。近年来，3D视觉技术快速发展，并开始结合深度学习算法，在智能制造、自动驾驶、AR/VR、SLAM、无人机、三维重建、人脸识别等领域取得了优异的效果。3D视觉是计算机视觉的终极体现形式2D视觉技术主要在二维空间下完成工作，三维信息基本上没有得到任何利用，而三维信息才真正能够反映物体和环境..

Intel的RealsenseD400系列是2018年初推出的新款深度相机，包括RealsenseD415和D435系列，这两款相机具有小巧的外形，适用于近距离深度图像采集，具有较高的图像分辨率和采样帧率，适合做多种深度信息相关的应用开发，但是由于出来的较新，网上使用资料不如kinect系列丰富，主要资料来源于Intel官网、github、ROS官网等网站，我使用的是D415，但是两款相机的SDK基本是一样的，安装配置也基本相同，在前期摸索过程中整理了一些资料出处，如果你也准备或已经入手了Realsense

ElasticFusion：1.安装一系列的依赖库sudo apt-get install -y cmake-qt-gui git build-essential libusb-1.0-0-dev libudev-dev openjdk-7-jdk freeglut3-dev libglew-dev libsuitesparse-dev libeigen3-dev zlib1g-dev libjpeg-dev注意其中的openjdk-7-jdk现在直接apt-get已经安装不了了，需要自己加源：

一 主要针对自动驾驶：1.KITTI数据集：http://www.cvlibs.net/datasets/kitti/index.php（RGB+Lidar+GPS+IMU）KITTI数据集由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办，是目前国际上最大的自动驾驶场景下的计算机视觉算法评测数据集。该数据集用于评测立体图像 (stereo)，光流 (optical flow)，视觉里程计(visual odometry)，3D物体检测 (object detection) 和 3D跟踪 (t

点云概念点云与三维图像的关系：三维图像是一种特殊的信息表达形式，其特征是表达的空间中三个维度的数据，表现形式包括：深度图（以灰度表达物体与相机的距离），几何模型（由CAD软件建立），点云模型（所有逆向工程设备都将物体采样成点云）。和二维图像相比，三维图像借助第三个维度的信息，可以实现天然的物体——背景解耦。点云数据是最为常见也是最基础的三维模型。点云模型往往由测量直接得到，每个点对应一个测量点，未经过其他处理手段，故包含了最大的信息量。这些信息隐藏在点云中需要以其他提取手段将其萃取出来，提取点云中信息的

点云数据文件常用格式 文件类型汇总#OFF - Object File Format PLY - Polygon File Format also known as the Stanford Triangle Format PTS - Laser scan data format PTX - ASCII based interchange format for point cloud data XYZ - Based on Cartesian coordinates LAS/LAZ - T

https://zhuanlan.zhihu.com/p/141946874

https://blog.youkuaiyun.com/abcwoabcwo/article/details/91350168OpenSLAM http://openslam.org/ FALKOLib(2D LIDAR) GMapping,GridSLAM(To learn grid maps from laser range data) tinySLAM(Laser-SLAM algorithm in 200 lines of C code) Unscented FastSLAM(Laser data, .

https://blog.youkuaiyun.com/ffcjjhv/article/details/89221992 介绍 一、配置 1、cuda8.0安装 2、DirectX SDK安装 二、vs2013代码生成 1、mLib与 mLib external配置 mLib mLib external 2、cuda设置 修改cuda版本 显卡计算能力设置 3、相机类型设置（以apt0.sens离线数据为例） 输入类型 修改GlobalA.

https://blog.youkuaiyun.com/ffcjjhv/article/details/89221992

BundleFusion 中 RealSense 深度相机数据流流程https://www.zhihu.com/people/hqxuwei

1，三维空间刚体运动： 旋转矩阵，旋转向量，四元素，欧拉角三维空间刚体的旋转2，关于李代数的学习：https://www.zhihu.com/question/55901895为啥需要李群与李代数？3，相机成像模型，相机成像模型...

https://blog.youkuaiyun.com/pikachu_777/category_8062835.html

作者：小虎哥哥爱学习链接：https://www.zhihu.com/question/52634751/answer/708979412来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。鉴于题主是激光SLAM入门，就以下面这样一个思路来答一下吧。1.SLAM与ROS的关系1.1.关于SLAM1.2.关于ROS1.3.SLAM与ROS的关系2.ROS移动机器人的整体构造2.1.硬件构造解析2.2.电机解析2.3.电机驱动板解析2.4.底.

https://zhuanlan.zhihu.com/c_1084087088789569536

https://www.cnblogs.com/Lei-HongweiNO11/p/11523367.html

https://blog.youkuaiyun.com/weixin_40883049/article/details/88385071

《从零开始做激光SLAM》是《从零开始做自动驾驶定位》的第一阶段，已经完结，汇总在这里方便阅读。从零开始做自动驾驶定位(一): 开篇从零开始做自动驾驶定位(二): 数据集从零开始做自动驾驶定位(三): 软件框架从零开始做自动驾驶定位(四): 前端里程计之初试从零开始做自动驾驶定位(五): 前端里程计之代码优化从零开始做自动驾驶定位(六): 传感器时间同步从零开始做自动驾驶定位(七): 里程计精度评价从零开始做自动驾驶定位(八): 点云畸变补偿从零开始做自动驾驶定位(.

https://zhuanlan.zhihu.com/p/66168444小白：师兄，最近忙什么呢，都见不到你人影，我们的课也好久没更新了呢师兄：抱歉，抱歉，最近忙于俗事。我后面一起补上，学习劲头得向你们年轻人学习啊！话说，你最近在研究什么呢？小白：最近在看ICP，十四讲上简单提了下，还有点懵懵哒师兄：好，那今天就说说ICP算法吧。搬个小板凳做好哈：ICP全称Iterative Closest Point，翻译过来就是迭代最近点。ICP在点云配准领域应用的非常广泛，因此基于深度相机、激光雷达的算

https://blog.youkuaiyun.com/lixujie666/article/details/82262513

https://zhuanlan.zhihu.com/c_159467704?utm_source=qq

https://blog.youkuaiyun.com/Yong_Qi2015/article/details/104765700