
高翔书《自动驾驶与机器人中的SLAM技术》学习笔记
文章平均质量分 91
逍遥郎wj
凡读必记
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
高翔【自动驾驶与机器人中的SLAM技术】学习笔记(十三)图优化SLAM的本质
我从b站上学习理解的这个概念。视频的大概位置是1个小时以后,在第75min到80min之间。图优化SLAM是怎么一回事。slam本身是有的,也就是方程,也就是。通过t1时刻,可以递推预测t2时刻的重点来了:我通过这个预测的t2时刻的位置,可以预测出,在t1时刻所建地图中特征在t2时刻的位置。t1时刻的位置有了,观测的特征有了。对t2时刻的位置可以通过运动方程递推出来。那么我就可以基于对t2时刻位姿的估计,基于这个视角,出此时在t1时刻时地图中那些特征点,在t2时刻时,在地图中的位置。原创 2024-11-14 17:26:47 · 772 阅读 · 0 评论 -
高翔【自动驾驶与机器人中的SLAM技术】学习笔记(十二)拓展图优化库g2o(三)边edge
小白:前面你介绍了g2o中边的基本类型、重要的成员变量和成员函数,那么如果我们要定义边的话,具体如何编程呢?public:myEdge(){}// ...// .../*...*/private:// data我们可以发现,最重要的就是(),()两个函数了小白:嗯,看起来好像也不难啊师兄:我们先来看一个简单例子,地址在这个是个一元边,主要是定义误差函数了,如下所示,你可以发现这个例子基本就是上面例子的一丢丢扩展,是不是感觉so easy?原创 2024-10-29 16:49:19 · 856 阅读 · 0 评论 -
高翔【自动驾驶与机器人中的SLAM技术】学习笔记(十二)拓展图优化库g2o(二)顶点vertex
小白:师兄,我们是不是可以开始写顶点定义了?师兄:嗯,我们知道了顶点的基本类型是 BaseVertex,那么下一步关心的就是如何使用了,因为在不同的应用场景(二维空间,三维空间),有不同的待优化变量(位姿,空间点),还涉及不同的优化类型(李代数位姿、李群位姿)小白:这么多啊,那要自己根据 BaseVertex 一个个实现吗?师兄:那不需要!小白:好全啊,我们可以直接用啦!师兄:当然我们可以直接用这些,但是有时候我们需要的顶点类型这里面没有,就得自己定义了。原创 2024-10-29 10:26:12 · 1039 阅读 · 0 评论 -
高翔【自动驾驶与机器人中的SLAM技术】学习笔记(十二)拓展图优化库g2o(一)框架
BlockSolver 内部包含 LinearSolver,用上面我们定义的线性求解器LinearSolver来初始化。g2og2ocore你点进去会发现 BlockSolver有两种定义方式一种是指定的固定变量的solver,我们来看一下定义其中p代表pose的维度(注意一定是流形manifold下的最小表示),l表示landmark的维度另一种是可变尺寸的solver,定义如下小白:为何会有可变尺寸的solver呢?原创 2024-10-24 18:16:51 · 1250 阅读 · 0 评论 -
高翔【自动驾驶与机器人中的SLAM技术】学习笔记(十一)ESKF中融合速度观测量;发散的原因;如何解决发散;以及对slam的理解
1、slam发散的原因?2、如何解决/限制发散?3、如何在已经有观察值和预测值的ESKF中,再引入一个其他其他观察量?原创 2024-10-14 18:08:51 · 1403 阅读 · 0 评论 -
高翔【自动驾驶与机器人中的SLAM技术】学习笔记(十)高翔书中的细节:参考链接;卫星导航;ESKF
呕心沥血,理解整理ESKF原创 2024-09-27 18:36:05 · 1755 阅读 · 0 评论 -
高翔【自动驾驶与机器人中的SLAM技术】学习笔记(九)imu运动学;lambda表达式;bind;function;std::move()
常用六轴IMU是由和两部分组成。安装要尽量保证IMU的安装位置在车辆中心。避免由IMU与载体系不重合引来的问题。原创 2024-08-28 17:50:36 · 1322 阅读 · 0 评论 -
高翔【自动驾驶与机器人中的SLAM技术】学习笔记(八)卡尔曼滤波器四:一文理清卡尔曼滤波,从传感器数据融合开始谈起【转载】
在正式讨论卡尔曼滤波前,我们先讨论对。我们会发现是和卡尔曼滤波紧密相关的。我们知道,如果需要对自然界的某个物理量,比如温度,气压,速度等进行测量,我们需要用各种传感器进行测量。但是,因为器件的工艺不可能达到完美,或者其他不能被人为预测到或者控制到的因素和噪声等存在,传感器对物理量的预测。因此,我们,不如把它看成是一个其均值和方差分别为μσ2,既是v∼Pμσ2,,这两个描述了。μσ2(暂且假设传感器的测量均值是和真实值无偏的。原创 2024-08-12 22:11:49 · 1022 阅读 · 0 评论 -
高翔【自动驾驶与机器人中的SLAM技术】学习笔记(七)卡尔曼滤波器三:卡尔曼滤波器公式推导【转载】
转载来源:卡尔曼滤波:从入门到精通考虑一个SLAM 问题,它由一个运动方程:xt=f(xt−1,ut)+ωt(1)\mathbf{x}_{t}=f(\mathbf{x}_{t-1},\mathbf{u}_{t}) + \omega_t \tag 1xt=f(xt−1,ut)+ωt(1)和一个观测方程组成:zt,j=h(yj,xt)+vt,j(2)\mathbf{z}_{t,j} = h( \mathbf{y}_{j},\mathbf{x}_{t} ) + v_{t,j} \tag 2z原创 2024-08-09 20:30:15 · 1090 阅读 · 0 评论 -
高翔【自动驾驶与机器人中的SLAM技术】学习笔记(六)卡尔曼滤波器二:图解卡尔曼滤波器;卡尔曼滤波器公式理解;面试答法;噪声协方差(不确定性)如何更新;OpenCV中卡尔曼实例;卡尔曼滤波器代码实例;
卡尔曼滤波器公式理解原创 2024-08-08 18:07:40 · 1231 阅读 · 0 评论 -
高翔【自动驾驶与机器人中的SLAM技术】学习笔记(五)卡尔曼滤波器一:认知卡尔曼滤波器;协方差矩阵与方差;
卡尔曼滤波器原创 2024-08-05 22:53:52 · 1276 阅读 · 0 评论 -
高翔【自动驾驶与机器人中的SLAM技术】学习笔记(四)高斯牛顿法详解
还是那句话:高斯牛顿法是对:最小二乘法展开的是后面的函数部分。将f(x)一阶泰勒展开(一阶就要带雅可比矩阵)。这个自变量增量都是可求的。因此为了简化有了下面的高斯牛顿法。不过只适用于最小二乘法。最小二乘法展开的是后面的函数部分。将f(x)一阶泰勒展开(一阶就要带雅可比矩阵)。通过使用不含有二阶导数的矩阵U代替牛顿法中的H,根据矩阵U构造的不同,具有不同的拟牛顿法。所以为了使增量的更加稳定可靠,对其做了限制,增加了置信域。无论一阶泰勒展开,还是二阶泰勒展开都是关于增量。缺点:雅可比矩阵有时是。原创 2024-07-26 17:10:31 · 1760 阅读 · 0 评论 -
高翔【自动驾驶与机器人中的SLAM技术】学习笔记(三)基变换与坐标变换;微分方程;李群和李代数;雅可比矩阵
雅可比矩阵加微分方程:一阶泰勒展开近似表示。如果一篇介绍这个概念的文章读不懂,那就多搜几篇,总有一篇符合你的胃口,直到弄懂为止。雅可比矩阵配合微分方程:完成了对逼近局部值的一阶泰勒展开的近似。为何要局部近似?因为这种多元向量值函数是一种隐函数,我们没法描述他的具体函数。只好做线性近似。是一种无奈之举。但是只要足够逼近,那么就足够精确。可微的意义:如果陡变,这种近似没有意义,不成立。所以这就是可微可导的实际物理意义。或者说几何意义。可以用雅可比矩阵刻画一个多元向量值函数的局部,从而简化分析。原创 2024-07-22 23:22:26 · 1636 阅读 · 1 评论 -
高翔【自动驾驶与机器人中的SLAM技术】学习笔记(二)——带着问题的学习;一刷感受;环境搭建
按照作者在读者寄语中的说法:我们得榨干这本书的知识。原创 2024-07-16 11:21:34 · 2429 阅读 · 0 评论 -
高翔【自动驾驶与机器人中的SLAM技术】学习笔记(一)——流形;
流形原创 2024-07-16 09:29:19 · 880 阅读 · 0 评论