童童同学的博客

线性方程A*x=b ，如果已知A、b，需要求解x，如何求解？对A、b有什么要求？提示：从A的维度和秩的角度来分析。当b=0时，设A为m x n 矩阵，则齐次线性方程组Ax = b 有非零解的充分必要条件是系数矩阵A的秩r（A）< n。当b！=0时，非齐次方程组Ax = b 有解的充分必要条件时系数矩阵的秩等于增广矩阵的秩，即r（A）= r（A|b）高斯分布是什么？他的一维形式是什么样子？高维形式又是什么样子？高斯分布又称正态分布，是一个常见的连续概率分布。正态分布的数学期望值或期望值μ..

在ROS-SLAM　navigation模块的学习过程中，编译程序过程中报错，如下：CMake Warning at /opt/ros/kinetic/share/catkin/cmake/catkinConfig.cmake:76 (find_package): Could not find a package configuration file provided by "move_base_msgs" with any of the following names: move_ba

1024，遇见更好的自己！

1024,码个博客记录一下https://blog.youkuaiyun.com/weixin_45592315/article/details/109166481待补充

视觉里程计关键词：对极约束、本质矩阵、八点法前言上一篇文章中，简单说了一下特征点法的理论依据和应用。现在，假设我们从两张图像中得到了一些配对好的特征点，通过若干匹配好的特征点对，就可以求解到这些二维图像点的对应关系，恢复出在两关键帧之间相机的运动，那么，需要多少对匹配好的特征点才能正确估计相机位姿变换？又该怎样得到相机之间的位姿变化呢？基础概念（一）以上的问题就称之为对极几何，其完整概念为：对极几何（Epipolar Geometry）是Structure from Motion问题中，在两

视觉里程计概念一个slam系统分为前端和后端，其中前端也称之为视觉里程计（VSLAM领域），视觉里程计根据相邻图像（关键帧）的信息估计粗略的相机运动（之所以是“粗略”，是因为存在噪声和匹配误差，这也突出后端的重要性），提供较好的初始值。视觉里程计的算法主要分成两个大类：特征点法和直接法。基于特征点法的前端，一直以来都是视觉里程计中的主流算法，具有稳定，对光照、动态物体不敏感的有事，是目前比较成熟的方案。特征点法视觉里程计，即根据一系列的图像估计相机的运动。图像，从本质来说是一个矩阵，包含亮