尘世冰封的专栏

一、基础准备数学基础线性代数：矩阵运算、特征值分解、奇异值分解（SVD）、最小二乘法。微积分与优化：梯度下降、牛顿法、非线性优化（如高斯-牛顿法、Levenberg-Marquardt算法）。概率与统计：贝叶斯滤波、卡尔曼滤波（KF/EKF）、粒子滤波（PF）。几何：三维空间变换（欧拉角、四元数、李群/李代数编程基础语言：C++（主流SLAM框架如ORB-SLAM、VINS用C++）、Python（快速原型验证）。工具库。

视觉里程计（VO）是通过摄像头捕获的图像序列估计相机运动轨迹的技术，广泛应用于机器人、自动驾驶和增强现实等领域。以下是一个系统的学习路径，涵盖基础理论、核心算法、工具及实践建议：一、基础理论与数学准备核心数学工具线性代数：矩阵运算（旋转矩阵、变换矩阵）、奇异值分解（SVD）、最小二乘法。几何学：欧氏变换（旋转、平移）、对极几何、单应矩阵。优化方法：非线性最小二乘（如高斯-牛顿法、Levenberg-Marquardt算法）、Bundle Adjustment（BA）。概率论。

【代码】光流 ｜ 融合LK光流与特征点的视觉里程计研究（附matlab代码）

在统计学和控制理论中，卡尔曼滤波(Kalman filtering)，也称为线性二次估计(LQE)，是一种算法，卡尔曼滤波会根据各测量量在不同时间下的值，考虑各时间下的联合分布，产生比仅基于单个测量值更精确的未知变量的估计。

github：

城市复杂场景下的 GNSS 信号容易受到建筑物遮挡或反射，多路径与非视距信号严重、粗差与周跳发生频繁，GNSS 定位精度与可靠性无法得到保障。

SLAM领域牛逼实验室及大佬

博主github：https://github.com/MichaelBeechan博主优快云：https://blog.youkuaiyun.com/u011344545代码执行环境：Windows 8 + OpenCV3.0https://github.com/MichaelBeechan/MyStereoLibviso2Stereo visual odometry is a critical ...

github：https://github.com/MichaelBeechan优快云：https://blog.youkuaiyun.com/u011344545下载链接：https://download.youkuaiyun.com/download/u011344545/11195245视觉里程计 | 视觉里程计VO及惯性系统视觉里程计 | 视觉里程计综述1、视觉里程计2、SLAM具体内...

博主github：https://github.com/MichaelBeechan   博主优快云：https://blog.youkuaiyun.com/u011344545   计算机视觉数据集：https://github.com/MichaelBeechan/CV-Datasets Image Processing1、OpenCV        OpenCV (Open Sou...

博主github：https://github.com/MichaelBeechan博主优快云：https://blog.youkuaiyun.com/u011344545引子：文章链接：https://arxiv.org/abs/1708.07878翻译：https://zhuanlan.zhihu.com/p/29769576高斯牛顿——Gauss Newton小可拙见，拙荆见...

博主github：https://github.com/MichaelBeechan博主优快云：https://blog.youkuaiyun.com/u011344545DeepVO代码：链接：https://pan.baidu.com/s/1bSNuZaj0KouXAXlhM4XK_g提取码：wpzz论文：http://www.cs.ox.ac.uk/files/9026/DeepVO.pdf...

博主github：https://github.com/MichaelBeechan博主优快云：https://blog.youkuaiyun.com/u011344545ORB：对SIFT或SURF的一种有效选择ORB: an efficient alternative to SIFT or SURF译者：Michael Beechan(陈兵) 重庆理工大学Ethan Rublee Vi...

本章节主要论述基于视觉惯性紧耦合的滑动窗口优化算法和闭环检测。如图4.1所示的框图，本章将从视觉数据和惯性数据的融合方面来详细讨论如何获取系统的初始值；在优化方面，本章先通过点线特征来判定关键帧；然后将全面分析如何在滑动窗口中，通过点线特征的残差、IMU测量残差以及先验信息的残差来解决非线性问题。最后，通过对视觉回环检测的分析，以及利用回环信息进行全局位姿优化，来对整个系统进行优化。

非线性优化理论：图优化、高斯牛顿法和列文伯格-马夸尔特算法

本文中将介绍视觉惯性SLAM的前端部分，首先是传感器数据处理中的特征的提取与跟踪，本文采用两种不同类型的信息进行视觉跟踪，即点特征和线特征。点特征主要包括角点和一些人工设计的特征点，例如SIFT、ORB或SURF等，然后基于光流法进行特征点匹配与跟踪。对于线特征使用所提出的自适应阈值的线段提取算法对线段进行提取，以提高提取的线特征质量，减少冗余线特征对系统精度的影响，然后介绍了点线特征的重投影误差模型。最后对本文算法的效果和性能在公开数据集下进行了定量实验分析。

首先介绍了在三维空间中通过旋转矩阵、旋转向量、欧拉角以及四元数对一个刚体的运动进行描述；接着介绍了单目相机的投影模型，如何将三维世界坐标映射到二维图像平面上并对相机模型进行了推理；然后介绍了IMU模型并对相关基本理论公式进行了推导，接着详细推导了IMU预积分公式以便更好地理解其在SLAM中的应用。最后介绍了SLAM后端中非线性优化的理论知识，包括**高斯牛顿法、列文伯格-马夸尔特和图优化方法**。

随着计算机技术和电气电子技术的进步，机器人在制造业、医疗、教育、服务业等领域得到广泛应用。正如图1.1所示，机器人在汽车、电子、食品等制造业中得到广泛应用，可以完成物品装配、危险物的搬运与喷涂、精密焊接等工作，提高生产效率。同时减少人员受伤的风险，取代一些繁琐、重复、危险或需要高精度的工作，减少人力劳动，释放人力资源，提高产品质量。在医疗行业中，机器人可以用于手术、康复、护理、病房管理等方面，为患者提供更安全、精确和高效的医疗服务。在农业领域中，机器人可以用于作物种植、喷洒农药、采摘、运输等方面，提高农业生

立体视觉的组成结构为两个或多个平行且共面的相机，是一种仿人类视觉系统。立体视觉测量的依据是立体视差理论（Stereo Disparity），也是当前计算机视觉SLAM研究的核心问题之一。视差估计的过程则为立体视觉图像匹配对中对应点的求解过程。立体视觉的初衷是从相机中获取二维图像，然后通过空间几何关系计算出图像点在三维中的信息，并由此重建被拍摄物体的三维几何图形即是一个2D到3D的过程。当然，在图像采集前首先对相机进行标定，得出相机的内置参数，此参数决定了图像点与其在三维空间点的映射关系。

21世纪是计算机视觉（Computer Vision，CV）和人工智能（Artificial Intelligence，AI）快速兴起的时代。随着AlphaGo击败人类职业围棋选手[1]、扫地机器人以及波士顿动力公司开发的各种机器人的出现，机器人、人工智能、神经网络等不再是陌生的词汇。机器人是机械与智慧的完美结合，由于其广泛应用，渐渐成为人类生活的重要组成部分。未来，机器人产业将引领潮流，成为影响国家综合国力、现代高科技战争及青少年教育的重要因素。机器人是一种将计算机技术、传感器技术、微电子技术、自动化控制

激光SLAM & 视觉SLAM基本算法汇总

自动驾驶车辆在不同的驾驶环境中需要精确的定位和建图解决方案。在这种背景下，SLAM技术是一个很好的解决方案。LIDAR和相机传感器通常用于定位和感知。然而，经过十年或二十年的发展，激光雷达SLAM方法似乎没有太大变化。与基于激光雷达的方案相比，视觉SLAM具有低成本和易于安装的优点，具有较强的场景识别能力。事实上，人们正试图用相机代替激光雷达传感器，或者在自动驾驶领域中基于相机集成其他传感器。基于视觉SLAM的研究现状，本文对视觉SLAM技术进行了综述。特别是，论文首先说明了视觉SLAM的典型结构。其次全面

- 主要使用Matlab自带函数**pcmatchfeatures**函数：实现点云特征匹配 - 使用**pcshowMatchFeatures**函数：实现点云匹配可视化

多模态融合是自劢驾驶系统感知的一个基本任务，最近引起了许多研究者的兴趣。然而，由于原始数据的噪声、信息的未充分利用以及多模态传感器的未对齐，实现相当好的性能并不是一件容易的事情。在本文中，我们对现有的自动驾驶多传感器融合感知方法进行了文献综述。整体上，我们对50多篇论文进行了详细的分析，其中包括使用激光雷达和相机尝试解决目标检测和语义分割任务的方法。不传统的融合模型分类方法不同，我们提出了一种创新的方法，从融合阶段的角度，用一种更合理的分类法将融合模型分为两大类、四小类。此外，我们深入研究了当前的融合方法，

**同时定位与建图**(SLAM)技术已广泛应用于各类自主移动平台中，其中视觉SLAM和激光雷达SLAM是两种主要的SLAM技术方案。然而，视觉SLAM系统易受视觉环境变化的影响，而激光雷达SLAM系统则在结构单一等环境中会出现精度退化甚至失效的情况。随着智能移动平台应用场景的不断拓展，对SLAM系统的精度和鲁棒性等提出了更高要求，将多种具有互补性的传感器进行**融合**是提升SLAM系统性能的有效途径。据此，聚焦惯性/视觉/激光雷达多传感器融合SLAM技术，从多传感器标定和多源数据融合两个主要方面进行综.

激光雷达点云：SLAM

TANDEM：Tracking and Dense Mapping in Real-time using Deep Multi-view Stereo

================================================博主github：https://github.com/MichaelBeechan博主优快云：https://blog.youkuaiyun.com/u011344545================================================ground truth data 以大约 100 Hz 的高速率提供。 为了生成这种高速率的基本事实，使用了 SLAM 解决方案。 SLAM 图中

================================================博主github：https://github.com/MichaelBeechan博主优快云：https://blog.youkuaiyun.com/u011344545================================================转换原理在文末d_x和d_y表示1个像素有多少长度，即用传感器的尺寸除以像素数量f表示焦距代码1 2D-2D#include &lt

博主github：https://github.com/MichaelBeechan博主优快云：https://blog.youkuaiyun.com/u011344545

博主github：https://github.com/MichaelBeechan博主优快云：https://blog.youkuaiyun.com/u011344545简介：MATLAB是美国MathWorks公司出品的商业数学软件，用于数据分析、无线通信、深度学习、图像处理与计算机视觉、信号处理、量化金融与风险管理、机器人，控制系统等领域。MATLAB由一系列工具组成。这些工具方便用户使用MATLAB的函数和文件，其中许多工具采用的是图形用户界面。包括MATLAB桌面和命令窗口、历史命令窗口、编辑器和调

================================================博主github：https://github.com/MichaelBeechan博主优快云：https://blog.youkuaiyun.com/u011344545================================================文章末尾有安装下载链接安装 | 最新MATLAB 2020b（64位）安装教程完整版MATLAB | matlab运行、下载链接及21个matla

matlab2021a链接:https://pan.baidu.com/s/1A3y1pZztVrWHmUxtxB_d0w 提取码:私信博主Matlab2021a链接:https://pan.baidu.com/s/1vydJYYTEInpi3OQClN9qhQ 提取码:私信博主

博主github：https://github.com/MichaelBeechan博主优快云：https://blog.youkuaiyun.com/u011344545MATLAB2018a与MATLAB2019b打赏9.9MATLAB2020a与MATLAB2020b打赏11.11

博主github：https://github.com/MichaelBeechan博主优快云：https://blog.youkuaiyun.com/u011344545Matlab 2020a链接：链接：https://pan.baidu.com/s/1SfoNj2FC4XMfIbJluRuhUA提取码：解压密码：rjzkgzh<！！！！！！！！打赏后私信我，获取提取码!!!!!!!!!!!!!>打赏链接：https://blog.youkuaiyun.com/u011344545/artic

激光雷达点云数据的配准和拼接

激光雷达传感器能够获取丰富，稠密且精确的三维空间中物体的点云数据，这可以帮助自动驾驶车辆实现定位和障碍物的跟踪，lidar也将成为实现完全自动驾驶的核心传感器。

- 如何使用**点云处理算法**和**位姿图优化**对采集的 3D 激光雷达传感器点云数据实施同步定位和映射 (SLAM) 算法。 - 目标是估计机器人的轨迹，并根据 3-D 激光雷达点云和估计的轨迹创建环境的 **3-D 占用图**。 - SLAM算法使用**基于正态分布变换(NDT)的点云配准算法**估计轨迹，并利用信任区域求解器对**SE3位姿图**进行优化以减少漂移。

================================================博主github：https://github.com/MichaelBeechan博主优快云：https://blog.youkuaiyun.com/u011344545================================================ 北斗导航 | 完全自主研发国产高端三维激光雷达助力中国测绘技术发展好产品就是优势多、性能好1、探测远距离目标时，EagleEye2000能够探

================================================博主github：https://github.com/MichaelBeechan博主优快云：https://blog.youkuaiyun.com/u011344545================================================代码阅览效果图代码imdsLeft = imageDatastore('C:\MichaelSpace\matlabworks