视觉SLAM十四讲编译ch6踩坑记

已于 2022-11-23 21:43:51 修改
阅读量294 收藏 1
点赞数 1
文章标签： 深度学习
于 2022-11-23 21:37:07 首次发布
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。
本文链接：https://blog.youkuaiyun.com/weixin_43982956/article/details/128007838
版权
博主尝试通过更新CmakeLists.txt来安装g2o的最新版本，但遇到问题。他们参考了旧的安装教程，该教程适用于g2o_202004版本。安装过程包括创建build目录，使用cmake，make并进行安装。尽管编译成功，但问题仍未解决。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

所遇bug:
在这里插入图片描述
这里在csdn一顿搜，找到方法安装g2o最新版本，然后在CmakeLists.txt修改和添加下列代码：

list(APPEND CMAKE_MODULE_PATH /home/self/CODE/slam/slambook2/3rdparty/g2o/g20_202004/g2o-20200410_git/cmake_modules)//修改
set(G2O_ROOT /usr/local/include/g2o) //添加

不出意外，并没有解决问题，这里主要就是之前的帖子太早了他们对应的版本是g2o_202004.
g2o_202004
安装方法：

cd g2o
mkdir build
cd build
cmake ..
make -j12
sudo make install

编译成功截图：
在述

检测码
关注
SLAM14讲CH6代码运行报错记录：/usr/local/include/g2o/core/matrix_structure.h:58:19: error: ‘std::string_view’ h
Whisper37的博客
04-05 1112
因为std::string_view 通常用于在不需要对字符串进行修改的情况下对字符串进行操作，并且它可以提高程序的性能。而 std::string 则适用于需要对字符串进行修改或者需要将字符串传递给需要拥有字符串的所有权的函数时，这里好像用后者也行。std::string_view 是 C++17 中引入的一种轻量级的字符串类型，用于表示不拥有字符序列的字符串，它通常被用于参数传递和字符串操作中，可以有效地减少内存分配和拷贝操作。
《视觉SLAM十四讲》slambook/ch6/g2o_curve_fitting/报错解决方法
weixin_36673043的博客
12-29 2111
项目：slambook/ch6/g2o_curve_fitting/ 报错：在build中CMake …是正常的，但make时候报错如下：（仅为部分截图，实际报错很长） /home/longqi/desktop/slam14/ch6/g2o_curve_fitting/main.cpp: In function ‘int main(int, char**)’: /home/longqi/deskt...
编译slam十四讲的g2o，运行ch6的代码报错
qq_41333880的博客
03-23 1035
1 在3dparty这个文件夹中已经编译好g2o库了，但是cmake ch6 的代码报错。 2 提示找不到base_vertex.h这个文件。这是由于在默认情况下，编译器只会使用/lib和/usr/lib这两个目录下的库文件。而在编译完成之后，需要安装，即在cmake..和make之后，需要sudo make install。成功通过。 ...
视觉SLAM-ch6-g2oCurveFitting编译报错
weixin_47627859的博客
12-10 628
g2o版本过高，make_unique 在 g2o 命名空间中似乎不可用。换装g2o-20230223则问题解决。
视觉SLAM十四讲学习笔记—ch6 关于bug aka class ceres::internal::FixedArray＜double, 3＞}’ has no member named
路拾遗的博客
04-07 4188
文章目录遇到BUGBUG解决 遇到BUG make 直接报错 搜索相关贴子,初步判断是由g2o版本不一致,导致的指针问题,我这个好像是安装了旧版本,需要更新到新版本,才能使用智能指针. 关于解决方案可以参考该帖子于g2o新版本编译出错的原因及解决办法,不过这个帖子好像是要用旧版本替换新版本,SLAMbook2思路相反. ubuntu卸载g2o库 最后，可以输入locate g2o命令来验证是否删除干净。 在安装g2o库时,又报cmake 版本问题,额鹅鹅鹅 只能安装新的版本,由于之前安装了ROS,自带有cm
视觉SLAM十四讲ch5 stereo踩坑日记
fuyao225的博客
09-28 1326
问题描述：在运行imageBasics 文件夹里面的程序时没有问题，但是在运行stereo 文件夹下面的程序时报错error: ‘xxxxxx’ was not declared in this scope。
【SLAM 踩坑记录】Ubuntu20.04编译安装视觉SLAM十四讲用到的几个库时走过的坑
blog
09-23 4311
由于我之前安装过Eigen，所以这里就不介绍是怎么安装的了。 Eigen的安装路径为：/usr/include/eigen3/ 下载安装Pangolin时，我并没有按照书上的做法从slambook2/3rdpart/Pangolin安装，而是参照Github官网https://github.com/stevenlovegrove/Pangolin的教程，下载了一个稳定的发布版v0.6的压缩包后解压（因为直接git clone下载的文件夹是一直在更新的master分支，有可能存在不稳定的测试特性）再 cd ~
【视觉SLAM十四讲】各种库的安装及代码实践
2302_80099075的博客
03-17 4471
在学习高博的《视觉SLAM十四讲》的过程中，遇到了各种问题。虽说在网上都能找到对应的解决方案，但没有一篇是详细列尽遇到的问题的文章。于是，打算自己写一篇记录学习过程中遇到的一系列问题。希望能为后续的学习提供一点帮助！（自己也是新手小白，还是有很多不懂的地方。
SLAM14讲CH5 rgbd实践报错踩坑及解决办法
qq_48767743的博客
07-23 571
SLAM14讲CH5，rgbd实践中，按照源代码编译出错，遇到的问题及对应的解决办法如下：
视觉SLAM十四讲：Sophus 安装
tianliangjay的专栏
04-19 1111
安装 Sophus 问题解决 解决错误 解决错误 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：撤销：Ctrl/Command + Z 重做：Ctrl/Command + Y 加粗：Ctrl/Command + B 斜体：Ctrl/Command + I 标题：Ctrl/Command + Shift + H 无序列表：Ctrl/Command + Shift + U 有序列表：Ctrl/Command
《视觉SLAM十四讲》第六讲g2o曲线拟合报错解决办法
yongniao9185的博客
01-06 2346
一、出错原因 g2o新版本和旧版本不兼容。 旧版本： BlockSolver(LinearSolverType* linearSolver); ~BlockSolver(); 新版本： BlockSolver(std::unique_ptr<LinearSolverType> linearSolver); ~BlockSolver(); 二、解决办法 方法一： 使用SLAM十四讲代码中附带的第三方库文件夹下的g2o旧版本； 方法二： main.
SLAM14讲 ch6 g2o曲线拟合程序问题-G2OConfig.cmake
Aflws的博客
12-16 2216
SLAM14讲 ch6 g2o曲线拟合程序问题-G2OConfig.cmake Could not find a package configuration file provided by "G2O" with any of the following names: G2OConfig.cmake g2o-config.cmake 这一讲包含了一个用g2o库进行曲线拟合的实例，但是在按照书中实际步骤实际运行发现了几个问题。 亦或者出现这么一个尴尬的场面：利用高博的代码编译可以...
SLAM14讲错误笔记（第六讲G2O篇）
qq_62216048的博客
09-13 1702
记录学习《视觉SLAM14讲》中出现的错误
＜视觉SLAM十四讲＞ch6 编译的问题 error: ‘ceres’ was not declared in this scope
weixin_40440816的博客
05-05 970
关于ceres 和 g2o的安装，用了这篇，很顶很顺。 然后编译的时候就遇到问题： [ 16%] Building CXX object CMakeFiles/g2oCurveFitting.dir/g2oCurveFitting.cpp.o In file included from /usr/local/include/g2o/core/base_fixed_sized_edge.h:311, from /usr/local/include/g2o/core/base_
视觉SLAM ch6代码总结
qq_41451702的博客
02-24 4868
一、手写高斯牛顿法 三个步骤： 1、先根据模型生成x，y的真值，并在真值中添加高斯分布的噪声 2、使用高斯牛顿法进行迭代 3、求解高斯牛顿法的增量方程 增量方程的推到过程 图片来源 该公式等同于133页6.41式 Σ 是 高斯噪声的方差 CMakeLists.txt cmake_minimum_required(VERSION 3.0) project(ch6) set(CMAKE_BUILD_TYPE Release) set(CMAKE_CXX_FLAGS "-std=c+...
slambook2/ch6/g2oCurveFitting.cpp的一些总结
zantax233的博客
11-29 1425
前言 我们来看看十四讲上第六章这个曲线拟合的例子 设曲线方程为 a,b,c为待估计参数，w为噪声。假设有N个关于x,y的观测数据点，构建一个非线性优化问题。可以通过求解下面的最小二乘问题来估计曲线参数 可以将本问题转化成图优化问题。用顶点表示优化变量，边表示误差项，使用g2o进行曲线拟合，g2o的编译安装过程这里不进行赘述。g2o编程主要部分在于顶点和边的定义，此外就是构建图模型与将顶点和边添加到图中，执行优化即可。 1.定义曲线模型的顶点 class CurveFittingVertex : publ
Python----循环神经网络（LSTM：长短期记忆网络）
weixin_64110589的博客
05-23 999
RNN在处理长序列时存在长期依赖问题，即随着序列增长，模型难以记住较早时刻的信息，导致梯度消失或爆炸。为解决这一问题，LSTM（长短期记忆网络）被提出，它通过引入门控机制（输入门、遗忘门、输出门）来选择性保留或丢弃信息，从而更好地捕捉长期依赖关系。LSTM的输入门决定新信息的保留程度，遗忘门控制旧信息的遗忘程度，细胞状态则通过选择性更新来存储记忆。虽然LSTM不能完全避免梯度消失或爆炸，但它通过门控机制显著改善了这一问题，使其在处理长序列时表现更优。
Dataset和Dataloader
最新发布
zx15600886035的博客
05-27 463
维度DatasetDataLoader核心职责定义“数据是什么”和“如何获取单个样本”定义“如何批量加载数据”和“加载策略”核心方法（获取单个样本）、__len__（样本总数）无自定义方法，通过参数控制加载逻辑预处理位置在中通过transform执行预处理无预处理逻辑，依赖Dataset返回的预处理后数据并行处理无（仅单样本处理）支持多进程加载（典型参数root（数据路径）、transform（预处理）batch_sizeshuffle核心结论Dataset类：定义数据的内容和格式。
深度学习之-目标检测算法汇总(超全面)
一个不怎么正经的算法工程师的博客~不定期更新一些我所覆盖领域的干货~~~包你满意噢~~
05-22 1799
概括了目前YOLO目标检测模型从YOLOv1到YOLOv12的演进，并介绍了多种改进方法。这些改进包括引入注意力机制、多尺度特征融合、模型轻量化、与其他新技术结合（如Mamba模型、扩散模型等），以及优化损失函数和训练策略。文章还探讨了YOLO在农业、医疗、交通等领域的应用，并展示了其在复杂场景中的检测性能提升。此外，文章介绍了基于Transformer和MLP的目标检测改进方法，以及如何将大模型（如SAM）应用于目标检测任务。这些改进不仅提高了检测精度，还增强了模型的实时性和适应性。
视觉slam十四讲ch6
02-13
### 关于《视觉SLAM十四讲》第6章的内容 #### 6.1 单目视觉里程计初探 单目视觉里程计（Monocular Visual Odometry, V-O）旨在仅利用单一摄像头获取的图像序列来估计相机运动。由于单目摄像机无法直接测量尺度信息，因此该方法通常会引入某些假设或外部约束条件以解决尺度不确定性问题[^1]。 #### 6.2 特征点法简介 特征点法是实现V-O的一种常见方式，其核心在于检测并匹配不同帧间的稳定特征点。为了提高鲁棒性和精度，在实际应用中往往会选择具有良好区分度且易于追踪的角点作为特征点。此外，还需要采用有效的几何一致性检验机制去除误配对，从而确保后续计算准确性[^2]。 #### 6.3 直接法概述 不同于基于特征的方法，直接法则试图充分利用原始像素强度变化来进行位姿估计。这类算法一般不需要显式的特征提取步骤，而是通过对整幅图片的信息加以分析完成任务目标。尽管如此，它们对于光照条件的变化较为敏感，并可能面临遮挡等问题带来的挑战[^3]。 #### 6.4 实践指南与案例研究 本章节还提供了详细的实践指导，包括但不限于： - 数据集的选择与准备； - 参数调优技巧分享； - 性能评估指标介绍； - 常见错误排查建议。 同时附有丰富的实例解析帮助读者更好地理解和掌握所学知识点。 ```python import cv2 import numpy as np def extract_features(image): orb = cv2.ORB_create() keypoints, descriptors = orb.detectAndCompute(image, None) return keypoints, descriptors image = cv2.imread('example.jpg', 0) # 加载灰度图 keypoints, _ = extract_features(image) for kp in keypoints[:10]: print(f'Key point at ({kp.pt[0]}, {kp.pt[1]}), size={kp.size}') ```
评论 1
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