何必浓墨重彩

主要步骤 1. 为什么是这样的步骤，为什么只要这几个步骤，为什么是这样的顺序？ 2. 这样做的目的是什么？步骤1.1ORB的跟踪器使用一个运动模型，在每次完成位姿计算之后会跟新这个运动模型，根据匀速度模型进行对上一帧的MapPoints进行跟踪，根据上一帧特征点对应的3D点投影的位置缩小特征点匹配范围。这里意思是说我们假设相机是匀速运动的，然后根据上一帧的位姿，我么预测到这一帧对应的位姿，然后使

光流法的目标是完成图像点的跟踪, 因此这里假设存在一个输入图像I, 以及要跟踪的点x, 存在另外一个图像块T, 我们的目标是完成图像块T到输入图像I的匹配.文章针对Lucas-Canade光流法做了一个总结, 文章对lucas-canade (Forward Additive, FA)算法做了简介, 引入了Compositional算法以及Inverse方法. 因此对应组合形成4种方法分别是

最近ETH发布了一个关于建图定位的project. 这个工作继承了很多组件, 可以完成离线建图/增量建图, 地图优化, 多session建图, 稠密重建以及VIO等等, 功能强大, 恨不能亲试. 虽然github上给出了相机的wiki, 然而这个代码从下载到编译着实出现好多问题. 我刚好成功build, 这里交流一下. 主要的过程分4步. 1. 把冰箱门打开. 2. 把大象塞进去. 3.

论文理解基础简介地图的表达方式中, 一种是occupancy网格地图, 其中比较常用的是八叉树地图octomap. 它使用分层的八叉树结构存储占据(occupancy)的概率大小. 然而很多情况下, 仅仅得到occupancy的概率大小是不够的. 很多路径规划方法要求直到到障碍物的距离. 这样的情况下可以使用ESDF(Euclidean Signed Distance Fields)方法. ESD

上一个博客中，我们介绍了一些关于slam的前端的设计思想的内容，这里我们继续完成slam的前后端的设计 首先我们给出slam程序中各模块的主要组成部分。我们先理清楚到底他们干了些什么，然后再说他们怎么实现的。其实吧，现代的CPU对多线程的代码支持的越来越好，因为木法提速，只能多个人（CPU核）干。所以在PTAM把Tracking 和 Maping 分开完之后，大家一下子就觉得这样玩真的不错，一窝蜂

我们在学面向对象的时候有本非常出名的叫做《设计模式-可复用面向对象软件的基础》。那么而在slam的实现中有没有这一种或者几种可以总结归纳的设计模式呢？我们在看一些slam的书的时候，有些要么就是介绍很多状态估计的理论，要么就是介绍很多多视几何的各种视觉理论。那么我们在看了这些理论之后，仍然无法下手，那么一个典型的好的slam的代码的基本结构是什么样的呢？一个slam代码的

sensor fusionNXP Sensor Fusion.zhihu人体的egomotion感知系统本体感知 大脑融合来自于本体感知和前庭系统的信息在一起得到自己身体的位置，运动和加速度。The vestibular system 前庭系统在大部分哺乳动物中，前庭系统是一个感知系统，该系统在提供平衡感知和空间方向的功能中起主力作用，所获取的这些感知信息用于身体的平衡运动。与耳蜗（耳朵的一部

定义给出从不同视角拍摄的，描述同一个场景的一系列图片，bundle adjustment可以根据所有点在图像中的投影作为标准，同时提炼出描述场景结构的3D点坐标、相对运动参数和相机的光学参数。 [mutliple view geometry]如果数据中包含噪声,透视投影模型并不满足xij=PXjx^i_j = \mathbf{P}X_j,这种情况下寻找一个最大似然解,这样假设测量的数据符合高斯分布

无人机很快会在灾难救援，工业检测环境保护方面祈祷重要作用。这样的应用中获取GPS信息是困难的。因此精确的全自动UAV备选的导航定位系统。使用惯导系统的缺点是累积误差，GPS在受限于使用环境。为了减低重量和功率消耗，视觉导航方法的优点一是不易被干扰，另外是大部分无人机已经配备了相机，视觉系统协同IMU（Inertial Measurement Unit）的方案被广泛采用。本文主要关于VO里程计简介。定

在SLAM的后端优化中，比较常用的一种方法是g2o，该图优化方法在优化时现成可以选用的有２种优化方法。一是Ｇauss-Newton，另外是LM方法。这里首先介绍Gauss-Newton方法，其次介绍g2o使用时的一般流程和例程。

SVO ros 节点解读测试执行使用作者给出的bag文件，运行以下指令rosbag play airground_rig_s3_2013-03-18_21-38-48.bag这样会在ros环境中广播/camera/image_raw 图像message, svo节点重映射该message到cam_topic，并订阅该topoic。运行该节点程序roslaunch svo_ros test_rig

在上文中我们从ROS的节点出发，一步步介绍了SVO ros节点的运行流程，下面我们将深入介绍SVO大的核心代码。SVO的核心主要分为3方面内容 - spase image alignment - Feature alignment - pose and Structure optimization - map 首先给出总体的结构图。 首先参考论文中的内容，进行分析。使用直接法最小化图像块

本文主要介绍多视几何的一些概述 首先介绍单视的情况，从空间三维点经过世界到相机坐标系的转换，以及透视投影和相机的镜头畸变得到最终的2D点。前者称为外参数，后者成为内参数，两者的乘积称为camera matrix相机矩阵。内参数主要为焦距，主点，skew。畸变参数的抓哟成分为径向畸变，一般到第一项就可以。外参数中旋转矩阵满足单位正交性质，这些性质在标定相机内外参数时会用到。相机标定camera ma

三维重建的一般步骤 - 特征点对计算基础矩阵。 - 根据基础矩阵计算相机矩阵 - 对于内个点对计算点在3D空间的位置。 The Fundamental Matrix Song本文主要介绍三维重建的初始值的估计方法（三角测量triangulation） 这样看来三维重建综合了几个问题（包括上述三角测量，以及其他的问题包括基础矩阵估计，），如下图所示 采用光束平差法对射影空间下的多个相机运动

main procedureprocessNewKeyFramemappoint cullingcreate new key framecheck new key frameSearchInNeighborsOptimization BAkey frame cullinginsert new key frame为什么是这样的步骤，为什么只要这几个步骤，为什么是这样的顺序？这样做的目

AbstractIn this article, we propose a survey of the Simultaneous Localization And Mapping field when considering the recent evolution of autonomous driving. The growing interest regarding self-drivi...