随笔分类 - slam
摘要：1.一个仿真的点云数据 header: seq: 2116 stamp: secs: 1586919439 nsecs: 448866652 frame_id: "LidarSensor1" height: 1 width: 3 fields: - name: "x" offset: 0 datat
阅读全文
摘要：1. PCL PointCloud 类型介绍 在 PCL 中，PointT 是基本的点的表示形式，包括 PointXYZ、PointXYZRGB、Normal 等，而 PointCloud 则是存储点集的容器。 PointCloud 被定义在 point_cloud 文件中。 2. 成员变量 hea
阅读全文
摘要：视觉SLAM飞控OpenREALM： https://github.com/laxnpander/OpenREALM
阅读全文
摘要：1.两个相机之间的非线性优化 观测相机方程关于相机位姿与特征点的雅可比矩阵： 1.1 位姿： 1.2 3D特征点 fx,fy,fz为相机内参 X',Y',Z'为3D点在相机坐标系下的坐标 该误差是观测值减去预测值，反过来，预测值减观测值时，去掉或加上负号即可 姿态定义为先平移后旋转，如果定义为先旋转
阅读全文
摘要：1.SLAM问题 1.1建模 考虑某个状态 \(\xi\),以及一次与该变量相关的观测 \(r_{i}\)。由于噪声存在，观测服从概率分布 \(p(r_{i}|\xi)\)。多个观测时，各个测量值相互独立，则多个测量 $r = (r_{1}, ..., r_)^$构成的似然概率为： 如果知道机器人状
阅读全文
摘要：https://github.com/yuntianli91/pangolin_tutorial http://docs.ros.org/en/fuerte/api/pangolin_wrapper/html/namespacepangolin.html#ae25baa30091d20a311945
阅读全文
摘要：1.简介 把三维空间建模为许多小方块，如果把每一个小方块的每一个面平均切为两片，那么这个小方块就会变为同样大小的八个小方块，这个步骤不断重复，直到最后的方块大小达到建模的最高精度，这个过程，就是一颗八叉树。 上图显示了大立方体不断均分为八块，知道变成最小的方块为止，整个大方块可以看作根节点，最小的方
阅读全文
摘要：1.点云地图 所谓点云,就是由一组离散的点表示的地图,最基本的点包含x,y,z三维坐标,也可以带有r,g,b的彩色信息. #include <iostream> #include <fstream> using namespace std; #include <opencv2/core/core.h
阅读全文
摘要：1.简介 带有相机位姿和空间点的图优化称为BA，能够有效的求解大范围的定位与建图问题，但是随着时间，规模越来越大，计算效率会大幅下降。我们发现，特征点在优化问题中占了很大部分，经过若干次迭代之后，特征点就会收敛，此时再进行优化的意义并不大，因此，在优化几次后，可以把特征点固定住，把他们看做位姿估计的
阅读全文
摘要：1.投影模型和BA代价函数 这个流程就是观测方程 之前抽象的记为： \(z = h（x, y）\) 现在给出具体的参数话过程，x指此时相机的位姿R,t，它对应的李代数为$\xi$。路标y即为这里的三维点p，而观测数据则是像素坐标(u,v)。 此次观测的误差为： \(e = z - h(\xi, p)
阅读全文
摘要：详细格式：https://grail.cs.washington.edu/projects/bal/ Bundle Adjustment in the Large Recent work in Structure from Motion has demonstrated the possibilit
阅读全文
摘要：1.直接法的推导： 考虑某个空间点P和两个时刻的相机，P的世界坐标为[X,Y,Z],它在两个相机上成像，记非齐次像素坐标为$p_{1},p_{2}$，目标是求第一个相机到第二个相机的相对位姿变换。 直接法的思路是根据当前相机的位姿估计值，来寻找$p_{2}$的位置，误差项为光度误差 \(e = I_
阅读全文
摘要：1.直接法的引出 特征点估计相机运动的方法，主要是在关键点和描述子的计算非常耗时；而且在纹理信息比较少的情况下，特征点的数量会明显减少。 解决方案： 1.保留特征点，只计算关键点，不计算描述子，然后使用光流法跟踪特征点的运动，从而实现特征点的匹配。 2.只计算关键点，不计算描述子。使用直接法计算下一
阅读全文
摘要：转载：https://www.cnblogs.com/Lei-HongweiNO11/p/11521347.html 李群与李代数 感觉SLAM十四讲真的是深入浅出。第四讲是李群和李代数，为什么要引入这个概念呢？ 在SLAM中位姿是未知的，我们需要解决“什么样的相机位姿最符合当前观测数据”，一种典型
阅读全文
摘要：1.ICP 假设有一组配对好的3D点， \(P={P_{1}, ..., P_{N}}\) , \(P^{'}={P_{1}^{'}, ..., P_{N}^{'}}\)。 有一个欧式变换R,t，使得： \(p_{i} = Rp^{'}_{i} + t\) 该问题可以用迭代最近点(ICP)来求解。注
阅读全文
摘要：1.P3P P3P输入数据为三对3D-2D的匹配点，一个单目相机，经过初始化，得到初始的3D点，就可以依次得到后续的姿态和3D点。 ABC是上一时刻求的的3D点， abc是与上一次时刻的匹配点。利用相似原理，可求出abc在相机坐标下的3D坐标，最后就可以把问题转换为3D-3D坐标的估计问题。 问题：
阅读全文
摘要：1.对极几何 从2张图片中,得到若干个配对好的2d特征点,就可以运用对极几何来恢复出两帧之间的运动. 设P的空间坐标为: \(P=[X,Y,Z]^{T}\) 两个像素点$p_{1},p_{2}$的像素坐标为: \(s_{1}p_{1}=KP, s_{2}p_{2}=K(RP+t)\) K为相机内参,
阅读全文
摘要：1.特征点 特征点是图像里一些特别的地方,如角点、边缘和区块。比较著名有SIFT、SURF、ORB等。SIFT充分考虑了图像变换过程中出现的光照、尺度、旋转等变换，但是计算量非常大。而ORB是质量和性能之间比较好的折中。 特征点包含： 关键点 描述子 2. ORB特性 提取ORB特性有两个步骤:FA
阅读全文
摘要：g2o是一个基于图优化的库，图优化是把优化问题表现为一种图的方式。一个图由若干个顶点和边组成。 顶点表示优化变量，边表示误差项。 g2o的使用步骤： 1.定义顶点和边的类型； 2.构建图； 3.选择优化算法； 4.调用g2o进行优化 #include <iostream> #include <g2o
阅读全文
浙公网安备 33010602011771号