SLAM
关注
分享
扫一扫
Leo-Ma
积跬步，以求大谋
展开
-
2020.10.20读 PointNet++： Deep Hierarchical Feature Learning on Point Sets in a Metric Space
PointNet++： Deep Hierarchical Feature Learning on Point Sets ina Metric Space1. 背景信息2.方法2.1 回顾PointNet2.2 层级点集特征学习2.3 在非均匀点采样密度下的鲁棒特征学习2.4 点云分割中的点特征传播3. 读后感1. 背景信息输入数据：原始点云PointNet++ 是PointNet的改进版本， PointNet中实现点云排序不变性是通过提取global feature完成的，显然，这对于局部信息没有原创 2020-10-20 17:14:18 · 703 阅读 · 0 评论 -
2020.10.15读 Deep hough voting for 3D object detection in point clouds
Deep hough voting for 3D object detection in point clouds1.背景信息2.方法2.1 霍夫投票2.2 VoteNet结构1.背景信息1.输入数据：点云2.解决问题：3D目标检测3.亮点(1) 直接处理裸点云(深度点集网络)(2) 采用霍夫投票，抑制噪声2.方法2.1 霍夫投票1.传统的霍夫投票用于2D图像上目标检测方法：（1）建立image patches(or their features) 与 他们所在中心点之间的offse原创 2020-10-19 11:37:18 · 605 阅读 · 0 评论 -
2020.10.14重读 PVNet：Pixel-wise Voting Network for 6DoF Pose Estimation
PVNet：Pixel-wise Voting Network for 6DoF Pose Estimation1.背景信息2.方法2.1基于投票的关键点定位2.2不确定性驱动的PnP3.实现细节4.读后感1.背景信息输入单张RGB图像隔壁实验室的成果最大的亮点：（1）证明了两阶段(先求关键点再用PnP求解位姿)比end to end的方法具有优势。直接求解非线性旋转空间，会带来优化上的困难。（2）使用unit vector filed来表示方向特征，这被证明是更利于学习和优化的。这里没有用o原创 2020-10-14 12:44:47 · 1087 阅读 · 1 评论 -
2020.10.13重读 PVN3D：A Deep Point-wise 3D Keypoints Voting Network for 6DoF Pose Estimation
PVN3D：A Deep Point-wise 3D Keypoints Voting Network for 6DoF Pose Estimation1.背景信息2.方法3. Loss4.实验结果4.1 LineMOD数据集4.2 YCB数据集5. 读后感6. 这篇文章的报告ppt1.背景信息1.输入RGBD图像2.两阶段位姿估计方法： 先找到model和scene中的点的对应关系，然后用LS或者PnP进行位姿解算。作者说end to end的方法，直接回归与旋转有关的量，需要神经网络考虑旋转空间原创 2020-10-13 15:45:41 · 1197 阅读 · 4 评论 -
IMU计算欧拉角及位移的方法
通过加速度计和陀螺仪计算欧拉角MPU6050姿态解算2-欧拉角&旋转矩阵通过加速度计原创 2020-10-06 11:47:09 · 9069 阅读 · 0 评论 -
2020.10.03读 Robust 6D Object Pose Estimation by Learning RGB_D Features
Robust 6D Object Pose Estimation by Learning RGB_D Features1. 背景信息2.方法2.1旋转2.2平移3. 实验3.1评估指标3.2 总体损失函数3.3 消融实验3.4 LINEMOD数据集上的效果3.5 YCB数据集上的效果3.6 在对称物体上的效果对比3.7运行速度4.读后感1. 背景信息输入RGBD图像作者认为他的方法最大的亮点是：**创新性地提出了一个离散连续公式，用来处理对称目标物体的旋转歧义性。**最终的实验结果也确实说明了，本文原创 2020-10-03 19:22:34 · 695 阅读 · 0 评论 -
2020.10.02重读 YOLOff: You Only Learn Offsets for robust 6DoF object pose estimation
YOLOff: You Only Learn Offsets for robust 6DoF object pose estimation1.背景信息2. 方法2.1 2D Localization2.2 3D points prediction2.3 3D-3D Correspondence alignment3.实验4.读后感1.背景信息输入RGBD图像基于投票方法，基于点对匹配方法最大的创新点在于在scene点云上估计3D关键点的方法，通过神经网络估计patch的3D中心点到3D关键点的向量原创 2020-10-02 16:41:15 · 741 阅读 · 0 评论 -
2020.09.27读 PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation
PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation1.背景信息2.介绍3.方法3.1 点集RnR^{n}Rn的属性3.2 PointNet结构3.3 理论分析4.实验4.1应用4.2结构设计分析4.3 可视化PointNet4.4 时间和空间复杂度分析读后感1.背景信息第一篇处理无序点云的深度学习方法可以灵活应用在点云分类， 点云部分分割以及语义分割上面。点云分类是将点的特征组合起来输入到一个分类器原创 2020-09-30 14:54:27 · 394 阅读 · 0 评论 -
2020.09.29重读 原2020.08.04读 MoreFusion
MoreFusion: Multi-object Reasoning for 6D Pose Estimation from Volumetric Fusion1.背景信息2.方法2.1object-level volumetric fusion2.2Volumetric Pose prediction2.2.1occupancy grids作为周边信息2.2.2位姿预测网络的结构2.2.3训练位姿预测网络2.3基于碰撞的位姿优化2.4 CAD对齐3.实验3.1实验设置3.2位姿预测的评估3.3位姿优化的评原创 2020-09-30 10:26:22 · 961 阅读 · 0 评论 -
[转发]欧拉角、旋转向量和旋转矩阵的相互转换
欧拉角、旋转向量和旋转矩阵的相互转换https://www.jianshu.com/p/5e130c04a602转载 2020-09-29 18:39:39 · 1955 阅读 · 0 评论 -
2020.08.25报告 Densefusion: 6D Object Pose Estimation by Iterative Dense Fusion
原创 2020-09-28 19:34:20 · 265 阅读 · 0 评论 -
2020.09.24-2020.09.26读 P2GNet:Pose-Guided Point Cloud Generating Networks for 6-DoF Object Pose Esti
P2GNet:Pose-Guided Point Cloud Generating Networks for 6-DoF Object Pose Estimation背景信息方法Point-wise Fusion Network学习目标函数技术实现细节实验结果LineMODYCB读后感背景信息输入RGBD图像基于DenseFusion最大创新点是将model也训练在特征提取网络中，并且用一个点云生成网络来进行监督学习。方法整个网络可以由三部分组成：Point-wise Fusion Net原创 2020-09-26 18:13:32 · 541 阅读 · 2 评论 -
2020.09.23读MaskedFusion: Mask-based6D object pose estimation
MaskedFusion: Mask-based6D object pose estimation1.背景信息方法网络结构损失函数实验衡量标准结果lineModYCB读后感1.背景信息1.输入数据形式： RGBD图像2.模块化组合框架，每个sub-task都可以用好的模块替换3.个人感觉跟densefusion非常像方法网络结构整个结构分为三个子任务：sub-task1：image segmentation通过语义分割对scene中每个对象检测和分类—>二进制masksub-tas原创 2020-09-23 17:03:02 · 907 阅读 · 0 评论 -
2020.09.22读 PointVoteNet：accurate object detection and 6 DoF pose estimation in point clouds
PointVoteNet：accurate object detection and 6 DoF pose estimation in point clouds1.背景信息2.方法2.1推理阶段2.1.1对model点云的处理2.1.2对scene点云的预处理2.1.3通过分割进行点的关联2.1.4通过关联信息进行6DoF位姿估计2.1.5多模态定位损失2.2训练阶段2.2.1数据准备2.2.2平移不变的正例2.2.3简单和困难的反例2.2.4增强2.2.5对称处理3.实验结果1.背景信息输入数据形式原创 2020-09-22 15:15:35 · 495 阅读 · 0 评论 -
工业机器人四点法标定TCP原理
原创 2020-09-20 21:23:27 · 15099 阅读 · 0 评论 -
树莓派小车识别场地内特定颜色的直线并据此修正方向的方法
树莓派小车识别场地内特定颜色的线并据此修正方向的方法明天肯定更新原创 2019-11-15 16:43:13 · 1193 阅读 · 0 评论 -
树莓派3B安装opencv
颜色识别原创 2019-11-07 20:06:15 · 1451 阅读 · 2 评论 -
视觉SLAM十四讲 读书编程笔记 Chapte3 三维空间刚体运动
三维空间刚体运动旋转矩阵内积和外积坐标间的欧式变换变换矩阵与齐次坐标实践：Eigen1.ubuntu下Eigen的安装2.Eigen头文件3.Eigen::Matrix()4.用<<为矩阵输入数据5.用()访问矩阵中的元素6.矩阵相乘7.矩阵转置8.矩阵各个元素的和9,矩阵的迹10.矩阵数乘11.矩阵直接求逆12.求矩阵的行列式13.生成随机矩阵14.求特征值和特征向量15.解方程完整...原创 2019-08-05 08:48:27 · 523 阅读 · 0 评论 -
视觉SLAM十四讲 Chapter3 课后练习
视觉SLAM十四讲 Chapter3 课后练习1. 验证旋转矩阵是正交矩阵2.验证四元数旋转某个点后，结果仍然是一个虚四元数(实部为0)，所以仍然对应一个三维空间点3.画表总结旋转矩阵、旋转向量(轴角)、欧拉角、四元数的转换关系4.假设有一个大的Eigen矩阵，想把它的左上角3*3的块取出来，然后赋值为I~3*3~，编程实现。5.设有机器人一号和机器人二号位于世界坐标系中。机器人一号的位姿为q~...原创 2019-08-05 12:00:43 · 602 阅读 · 0 评论 -
视觉SLAM十四讲 读书编程笔记 Chapter4 李群与李代数
Chapter4 李群与李代数李群与李代数基础指数与对数映射实践：Sophus李群与李代数基础1.群是一种集合加上一种运算的代数结构，满足封闭性、结合律、幺元、逆四个条件。2.李群是指具有连续(光滑)性质的群3.李代数指数与对数映射1.so(3)实质上就是由所谓的旋转向量组成的空间，而指数映射即罗德里格斯公式。实践：SophusSophus库支持SO(3)、SE(3)以及二维运动...原创 2019-08-06 14:34:51 · 405 阅读 · 0 评论 -
视觉SLAM十四讲 Chapter4 课后练习
视觉SLAM十四讲 Chapter4 课后练习1.验证SO(3)、SE(3)关于乘法成群2.验证(R^2^,R,×)构成李代数3.验证so(3)和se(3)满足李代数要求的性质4.验证书中性质5.证明等式6.证明等式7.仿照左扰动的推导，推导SO(3)和SE(3)在右扰动下的导数1.验证SO(3)、SE(3)关于乘法成群2.验证(R2,R,×)构成李代数3.验证so(3)和se(3)满...原创 2019-08-07 11:27:13 · 740 阅读 · 0 评论 -
视觉SLAM十四讲 读书编程笔记 Chapter6 非线性优化
Chapter6 非线性优化实践：Ceres1. 安装Ceres依赖库2. 编译安装Ceres3. 曲线拟合问题描述4. ceres使用方法5.完整代码实践：g2o1.安装g2o依赖库2.编译安装g2o3. g2o使用方法实践：Ceres1. 安装Ceres依赖库sudo apt-get install liblapack-dev libsuitesparse-dev libcxsparse...原创 2019-08-28 20:08:46 · 1718 阅读 · 0 评论 -
视觉SLAM十四讲 读书编程笔记 Chapter10 后端1
Chapter10 后端1概述概率估计的概率解释线性系统和KF非线性系统和EKFEKF的讨论BA与图优化投影模型与代价函数BA的求解稀疏性和边缘化鲁棒核函数实践：g2o实践：Ceres概述概率估计的概率解释线性系统和KF经典线性卡尔曼滤波的概率推导：非线性系统和EKF对于非线性系统，扩展卡尔曼滤波的推导：EKF的讨论假设了马尔科夫性。EKF由于在局部点处进行泰勒展开，非...原创 2019-08-28 20:18:11 · 509 阅读 · 0 评论 -
视觉SLAM十四讲 读书编程笔记 Chapter11 后端2
Chapter11 后端2位姿图位姿图的意义位姿图的优化位姿图位姿图的意义随着时间的流逝，空间点和相机位姿数据不断增多，BA的计算效率会不断下降。实际上，经过若干次优化迭代之后，空间位置估计会收敛至一个值保持不动。因此，我们更倾向于在优化几次之后就把特征点固定住，只把它们看作位姿估计的约束，而不再实际地优化它们的空间位置。我们可以构建一个只有轨迹的图优化，而位姿节点之间的边，可以由两个关...原创 2019-08-28 20:22:40 · 532 阅读 · 1 评论 -
视觉SLAM十四讲 读书编程笔记 Chapter12 回环检测
Chapter12 回环检测词袋模型(BoW)字典字典的结构实践：创建字典相似度的计算理论部分实践：相似度计算相似性评分的处理关键帧的处理检测之后的验证词袋模型(BoW)确定BoW的单词，从而组成字典。确定一副图像中出现了哪些在字典中定义的概念，从而把一副图像转换成了一个向量的描述。比较上一步中描述的相似程度。字典字典的结构字典生成问题类似于一个聚类问题，聚类问题常用K-mea...原创 2019-08-28 20:33:22 · 868 阅读 · 2 评论 -
视觉SLAM十四讲 读书编程笔记 Chapter5 相机与图像
Chapter5 相机与图像相机模型相机模型使用针孔和畸变两个模型来描述相机的整个投影过程，把外部的三维点投影到相机内部的成像平面，就构成了相机的内参数。针孔相机模型在相机坐标系下，设物点P坐标为[X,Y,Z]T,像点P’坐标为[X’,Y’,Z’]T,显然Z’=f，那么根据相似三角形，有：Z/f = -X/X’ = -Y/Y’这是初中物理的知识，其中负号表示像是倒着的，像的正倒对于...原创 2019-08-29 19:25:41 · 1040 阅读 · 1 评论 -
视觉SLAM十四讲 读书编程笔记 Chapter7 视觉里程计1
Chapter7 视觉里程计1特征点法ORB特征特征匹配实践：特征提取与匹配2D-2D：对极几何对极约束的推导本质矩阵E的求解特征点法ORB特征ORB（Oriented FAST and Rotated BRIEF）特征的关键点是"Oriented FAST",这是一种带有方向信息的FAST角点ORB的描述子称为BRIEF(Binary Robust Independent Elemen...原创 2019-08-29 22:47:34 · 822 阅读 · 0 评论 -
视觉SLAM十四讲 读书编程笔记 Chapter13 建图
Chapter13 建图单目稠密重建极线搜索与块匹配高斯分布的深度滤波器实践：单目稠密重建实验分析与讨论像素梯度问题逆深度图像间的变换完整代码：RGB-D稠密建图实践：点云地图实践：八叉树地图单目稠密重建极线搜索与块匹配如图所示，左边的相机观测到了某个像素p1，由于这是一个单目相机，我们无从知道它的深度。图就像对极几何中描述的一样，p1对应的空间点会落在右边相机拍摄的图像的极线l2上。...原创 2019-08-30 09:57:29 · 1361 阅读 · 0 评论 -
视觉SLAM十四讲 读书编程笔记 Chapter8 视觉里程计2
Chapter8 后端2原创 2019-08-31 16:03:28 · 608 阅读 · 0 评论 -
视觉SLAM十四讲 读书编程笔记 Chapter 1&2
视觉SLAM十四讲 读书编程笔记 Chapter 1&21.有线性方程组Ax=b，若已知A，b，需要求解x，该如何求解？这对A和b有哪些要求？2.单目SLAM有哪些特性？3.双目相机有哪些特性？4.整体视觉SLAM流程图5.视觉SLAM流程图的一些理解6.SLAM问题的数学表达1.有线性方程组Ax=b，若已知A，b，需要求解x，该如何求解？这对A和b有哪些要求？答：x=A-1b，其中A...原创 2019-08-04 12:44:12 · 812 阅读 · 0 评论