chengwei0019

李群李代数及扰动求导个人总结

UWB和lidar坐标系下轨迹对齐，利用SVD求解，对齐两组轨迹，ICP基础知识。

先占坑，有空填。

相机标定1.安装kalibr；参考：https://blog.csdn.net/wangbaodong070411209/article/details/112248834https://blog.csdn.net/weixin_40628128/article/details/959459452.生成棋盘格生成棋盘格：rosrun kalibr kalibr_create_target_pdf --type checkerboard --nx 8 --ny 11 --csx 0.0

准备工作：安装realsense SDK2.0:参考官方教程安装realsense ros warp:参考官方教程安装vins-mono:参考官方教程测试vins-mono:下载数据集：https://projects.asl.ethz.ch/datasets/doku.php?id=kmavvisualinertialdatasets打开终端，分别输入如下指令：roslaunch vins_estimator euroc.launch roslaunch vins_esti

目录网上资料方案1方案2Lidar与IMU的相对旋转实现最近由于工作需要，花了几天时间了解激光与imu的标定方法；因为项目需要，且这里是个人认识的一个整理，所以并不会很深入很细致的进行公式或原理推导。由于个人水平有限，所以可能会存在一些认知的错误，可以留言交流学习一下。网上资料方案1首推浙大开源的Lidar_IMU_calib，标定精度很高。从粗到细的，实现高精度的lidar-imu标定，具体可以看一下论文和代码哈！我这里也测试了一下，由于一些原因，一直没有标定.

PCA主成分分析，是模式识别中常见的特征降维的算法，其大体步骤可以分为以下几个部分：（1）原始特征矩阵归一化处理（假设M和样本，每个样本n个特征，则对M*N的X数据，进行零均值化，即减去这一列的均值）（2）求取归一化处理后特征矩阵的协方差矩阵（3）计算协方差矩阵的特征值及其对应的特征向量（4）将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P；（5）Y=PX即...

ORB 一种特征匹配替代方法：对比SIFT或SURF   链接ORB-SLAM：精确多功能单目SLAM系统           链接ORB-SLAM2源代码分析                                          链接Ubuntu 14.04 Linux 运行 ORB-SLAM2                  链接基于关键帧

声明：本博客仅供个人学习使用。转载自  Jasmine_shineg2o的安装及初步使用 运行环境：ubuntu12.04 + g2o 个人原创，转载请注明来自Jasmine_shine的专栏：一、g2o的安装 1、安装依赖项： sudo apt-get install libeigen3-dev libsuitesparse-dev l

转载声明：本文转载自  金木炎 的博客，仅供个人学习。感谢博主的无私分享，如有侵权，敬请告知。这篇短文写的很好，我把它copy到这里供大家学习上一届「国际计算机视觉大会（ICCV：International Conference of Computer Vision ）」成为了深度学习（Deep Learning）技术的主场，但在我们宣布卷积神经网络（ConvNet）的全面

转载声明：本文转载自  金木炎 的博客，仅供个人学习。感谢博主的无私分享，如有侵权，敬请告知。看到orbslam2初始化里的Initializer::ReconstructH和Initializer::ReconstructF两个子函数里用到了opencv：：SVD分解。这里我将会详细讲解SVD的分解理论！奇异值分解（Singular Value Dec

转载声明：本文转载自  金木炎 的博客，仅供个人学习。感谢博主的无私分享，如有侵权，敬请告知。单目SLAM地图初始化的目标是构建初始的三维点云。由于不能仅仅从单帧得到深度信息，因此需要从图像序列中选取两帧以上的图像，估计摄像机姿态并重建出初始的三维点云。ORB-SLAM中提到，地图初始化常见的方法有三种。方法一追踪一个已知物体。单帧图像的每一个点都对应于空间的一

转载声明：本文转载自  金木炎 的博客，仅供个人学习。感谢博主的无私分享，如有侵权，敬请告知。最近在读ORB-SLAM的代码，虽然代码注释算比较多了，但各种类和变量互相引用，看起来有点痛苦。索性总结了一下Tracking部分的代码结构，希望能抓住主要思路，不掉坑里。可以看出，追踪部分的主要思路是在当前帧和（局部）地图之间寻找尽可能多的对应关系，持续优化位姿和地图。

转载声明：本文转载自  金木炎 的博客，仅供个人学习。感谢博主的无私分享，如有侵权，敬请告知。ORB-SLAM作为单目SLAM，其精度很大程度上决定于帧与帧之间的位姿优化的是否准确。因此优化（optimization）在ORB-SLAM里面扮演了很重要的角色。这一小节探讨一下ORB-SLAM里用到的优化。ORB-SLAM选用g2o作为图优化的方法，关于g2o可以参考ht

转载声明：本文转载自  金木炎 的博客，仅供个人学习。感谢博主的无私分享，如有侵权，敬请告知。从今天开始博主我就把我用orbslam2导航的原理和code讲给大家。首先，orbslam2构建的map是稀疏地图，有人说稀疏地图怎么导航，不是只有稠密map，至少是半稠密map才能navigation吗？是的，要想navigation必须要有一个好的地图例如：2D栅阁

转载声明：本文转载自  金木炎 的博客，仅供个人学习。感谢博主的无私分享，如有侵权，敬请告知。首先你已经装了ros indigo （1)配置环境变量下面我们开始创建一个catkin 工作空间：（在主文件夹下）$ mkdir -p ~/catkin_ws/src$ cd ~/catkin_ws/src即使这个工作空间是空的（在'src'目录中没有任何软件包，只

转载声明：本文转载自  金木炎 的博客，仅供个人学习。感谢博主的无私分享，如有侵权，敬请告知。         Should we still do sparse-feature based SLAM？1) Monocular ORB-SLAM(Mur-Artal, Montiel, Tardos T-RO 2015)2) M

转载声明：本文转载自  金木炎 的博客，仅供个人学习。感谢博主的无私分享，如有侵权，敬请告知。本篇博客借鉴了许多经典博客的理论。orbslam2相机pose估计和map point结构恢复orbslam2的相机初始估计有两种方法：本证矩阵Ｅ和单应矩阵两种方法，具体可以看我之前的博客oerslam2-初始化（1)再讲相机pose估计之前，我要讲一下

转载声明：本文转载自  金木炎 的博客，仅供个人学习。感谢博主的无私分享，如有侵权，敬请告知。这篇将要讲orbslam2相机初始位置估计的另一种方法：单应矩阵Ｈ（使用场景：平面，视差小）和map point的求法（一）：单应矩阵在计算机视觉中，平面的单应性被定义为一个平面到另外一个平面的投影映射。因此一个二维平面上的点映射到摄像机成像仪上的映

转载声明：本文转载自  金木炎  的博客，仅供个人学习。感谢博主的无私分享，如有侵权，你告知。一直想写博客，一来是实验室太忙，二来是自己初入视觉slam，怕误人子弟。所以一直没写，但是实验室的同学说我可以介绍一些基础给那些刚入门的人参考。那么从今天开始我就开始陆陆续续的把我所了解的visual slam写给大家。希望一些大牛能指正！这篇博客就把我自己整理的资料贴出来，供大家