YMWM_的博客

中以Tcw​格式（相机坐标系->世界坐标系）存储了关键帧的位姿。各字段含义为，

Pangolin是一个轻量级的用于图形/视觉应用的开源C++库，它提供了一个简单且高效的界面，用于实时显示和交互式控制3D、图像和视频数据。Pangolin的设计目标是易于集成到现有项目中，并提供一个友好、灵活且可扩展的界面。跨平台支持：Pangolin可以在多个平台上运行，包括Windows、Linux和Mac OS X等。它使用了OpenGL来进行图形渲染，因此可以利用平台的GPU资源来加速图形处理。多种数据类型的可视化。

欧式变换、相似变换、仿射变换、射影变换

ICP问题的SVD解法

抽样分布

KITTI Dataset (2012)： road scenario, motion pattern CarEuRoC Dataset (2016)：machine hall & room scenario, motion pattern MAVTUM RGB-D Dataset (2012)： office scenario, motion pattern Hand-hold/Mobile robotLack of diversityLack of challenging scenes

使用亮度或照片一致性的概念，我们可以区分出在表面上的点和不在表面上的点。我们需要做的是让机器在三维空间中计算一个表面，使得表面的所有点都最大程度地保持照片一致性。像素为图片元素，体素为体积元素。我们发现可以利用凸优化方法有效地计算出最优重建。想象或描述可以重建的空间，比如你徒步旅行的风景，其中风景中的每一个点对应一个三维重建。假设我们根据该点的海拔高度对重建的误差进行编码，然后找到最佳重建就像找到该景观中的最低点。如果这里的风景像阿尔卑斯山一样，那么你必须真正四处游荡，直到确定找到最低点。但神奇地是，如

1 解压到当前文件夹unzip file.zip2 解压到指定文件夹unzip file.zip -d /home/fyw/下载

1Back Alt+Shift+向左箭头Forward Alt+Shift+向右箭头2Navigate → BackNavigate → Forward

  已知连续两帧位姿真值为R1R_1R1​、R2R_2R2​、t1t_1t1​和t2t_2t2​，它们都是按照TWCT_{WC}TWC​的格式存储的，即记录从当前相机坐标系到世界坐标系的变换矩阵作为相机此刻的位姿。那么两帧之间变换矩阵真值T21T_{21}T21​为？  解答：  按照代点法来求解，假设...

对于向量aaa，a=[a1a2a3]a = \begin{bmatrix} a_1 \\a_2 \\a_3\end{bmatrix}a=⎣⎡​a1​a2​a3​​⎦⎤​则a×a \timesa×可表示为，a×=[0−a3a2a30−a1−a2a10]a \times = \begin{bmatrix}0 & -a_3 & a_2 \\a_3 & 0 & -a_1 \\-a_2 & a_1 & 0 \\\end{bmatrix}a×

  已知一组数据点中既包含内点又包含外点，其中内点占的比例为ppp，且计算模型参数至少需要kkk个数据点，要求经过RANSAC算法之后有概率qqq的把握以上排除所有外点，那么迭代次数nnn至少应该设定为多少？解答：随机选取kkk个点，这kkk个点都为内点的概率为pkp^kpk，那么这kkk个点中至少有一个为外点的概率为1−pk1-p^k1−pk。nnn次迭代，每次选择到的数据点都存在外点的概率为(1−pk)n(1-p^k)^n(1−pk)n，则至少有一次选择到的都是内点的概率为1−(1−pk)n1-(

μ=E[x]=∫xp(x)dx\mu=E[x]=\int xp(x)dxμ=E[x]=∫xp(x)dxΣ=E[(x−μ)(x−μ)T]\Sigma=E[(x-\mu)(x-\mu)^T]Σ=E[(x−μ)(x−μ)T]

  记直接线性变换得到的旋转矩阵为RRR，平移向量为ttt，投影方式为，R←(RRT)−12RR \leftarrow (RR^T)^{-\frac{1}{2}}RR←(RRT)−21​R然后代入线性方程组，利用最小二乘法更新平移向量ttt。  验证：随机生成4个路标点[X,Y,Z]T[X,Y,Z]^T[X,Y,Z]T，XXX从-100至100米取值，YYY从-30至30米取值，ZZZ从0至100米取值。...

fx=320,fy=320,cx=320,cy=240f_x=320, f_y=320,c_x=320,c_y=240fx​=320,fy​=320,cx​=320,cy​=240b=0.25b=0.25b=0.25

1 自动驾驶是否需要地图1956年AI，2016年AI爆发1961年Stanford Cart，2020年单车智能高速场景：向前运动城市环境：运动物体多，运动无规律传感器缺陷、AI演绎能力不足，或者说泛化能力不足。高精地图：将有辅助作用，短期不变的道路先验信息存起来。先验信息的存储，工业界没有统一标准，各个公司有自己的标准。2 什么是高精地图定位图层3 高精地图的生产专用采集车 Versus 众包采集在线编辑传感器不确定：提供信息的可靠程度4 高精地图

FAST角点论文：《Machine learning for high-speed corner detection》非最大值抑制英文为non maximal suppression。原文2.3节内容如下2.3 Non-maximal Suppression由于分段测试不计算角点响应函数，非最大值抑制不能直接应用于得到的FAST角点。因此，必须对每一个检测到的角点计算一个评分函数VVV，并对其进行非最大值抑制，以去除VVV值较高的角点。VVV有几个直观的定义：当ppp还是FAST角点时，nnn的