视觉SLAM笔记（65） 简约总结

高翔《视觉SLAM十四讲》学习总结（第一讲） 今天是2020年9月17日，还有不到一年的时间就要毕业，正在努力奋斗考研的同时，希望继续提升水平，找到了这本优秀的参考图书来学习SLAM，因为自己是学视觉出身，所以在选择研究SLAM的时候，直接略过激光SLAM，果断选择了视觉SLAM。 第一讲是引言，主要介绍了什么是SLAM，SLAM是Simultaneous Localization And Mapping的简称，我习惯称它为实时定位与地图构建，是利用传感器来进行机器人的自身定位以及对周围环境的建图技术。

“定位”和“建图”，可以看成感知的“内外之分”。 传感器分类： 传感器分为两类: 一类传感器是携带于机器人本体上的，例如机器人的轮式编码器、相机、激光等等。另一类是安装于环境中的，例如导轨、二维码标志等等。安装于环境中的传感设备，通常能够直接测量到机器人的位置信息，简单有效地解决定位问题。然而，由于它们必须在环境中设置，在一定程度上限制了机器人的使用范围。比方说，有些地方没有GPS信号，有些地方无法铺设导轨。 这类传感器约束了外部环境。只有在这些约束满足时，基于它们的定位方案才能工作。虽然这类传感器简

1、除了基本矩阵和本质矩阵，我们还有一种称为单应矩阵（Homography）H 的东西，它 描述了两个平面之间的映射关系。若场景中的特征点都落在同一平面上（比如墙，地面等），则可以通过单应性来进行运动估计。这种情况在无人机携带的俯视相机，或扫地机携带的 顶视相机中比较常见。 2、 ...

1、核函数作用：保证每条边的误差不会大的没边，掩盖掉其他的边 在SLAM后端优化中，BA优化了所有的相机姿态和所有路标点，使用的最小化误差项作的二范数平方和作为目标函数；当我们的误差来源特别大的时候；BA优化会朝着错误的方向优化，这个是我们不想看到的 ；出现这种问题的原因是，当误差项来源很大的时候，二范数增长的太快了，这个时候核函数的作用就体现出来了：未来保证每条优化的边误差项不会大到无法接受。 ...

前言 本博客主要为学习《视觉SLAM十四讲》、《计算机视觉-算法与应用》第6章基于特征的配准 《机器人学中的状态估计》第5章偏差、匹配和外点 等其他相关SLAM内容的总结与整理。 外点 传感器测量值可能会受多种因素干扰而不可靠，同时特征匹配也会存在误匹配的情况，如果不正确地检测并剔除他们，视觉SLAM中的很多算法（如计算本质矩阵、三角测量、PNP等）将会失败。 我们将非常不可能的测量值（根据测量模...

SLAM相关知识点部分总结

概述 状态估计的概率介绍 SLAM过程可由运动方程和观测方程来描述。那么，假设在t=0到t=N的时间内，有x0x0x_0到xNxNx_N那么多个位姿，并且有y1,...,yMy1,...,yMy_1,...,y_M那么多个路标。运动和观测方程为： {xk=f(xk−1,uk)+wkzk,j=h(yj,xk)+vk,jk=1,...,N,j=1,...,M{xk=f(xk−1,uk)+wk...

在实际优化过程中，很可能会出现误匹配的项，这些误匹配的项被算法当做要降低的误差对待，由于误匹配的“误差”会很大，降低它能够明显使总的误差降低，但是显然这些项不应该被当做误差项对待，因为他会抹平其它正确边的影响，使得优化算法专注于调整一个错误的值。核函数保证每条边的误差不会大的没边而掩盖其它的边。（种子点可以理解为近地点，不过种子点的提取要求雷达与地面大体垂直，不然无法按照论文中思路提取出种子点，因为近地点提取原理就是对激光点云排序，选Z值小的点，如果激光雷达正对着地面，此方法失效。

在VSLAM中，我们假定给出的对应集{x-x'},然后去计算相机的运动估计，但是由于噪声的影响，错误的匹配导致很差的估算效果采用2种方法减少这个错误匹配影响，选择那些正确的匹配进行估计（RANSAC）和降低那些错误匹配的权重（鲁棒核函数）两者区别是： RANSAC方法进行模型估计，实际上分了两步，首先选出局内点，然后再进行一步优化。鲁棒核函数只需要一步，直接优化求解模型参数，通过...

前段时间热映的《星际穿越》想必大家都看过，在这部烧脑大片中，主角库珀进入到了高维度空间，在那里，时间这个维度变成实体存在，人们可以像散步一样沿着时间这个维度来回穿梭。 那么高维空间到底是什么样的？ 有人说高位空间里其实只有数学意义，在实际中无意义，是这样的吗？ 又有人说高维空间里其实有更高级的生物，他们看我们，就像我们看在一个平面进行爬行的虫子一样。 还有人说，若有

参考自网络，以尽可能做出来，并学习。 【转载自：http://www.sohu.com/a/311380203_100007727】 landmark参数化方式、对比，逆深度参数化；点线面因子图优化 滤波+回环（Trifo-VIO） outlier+鲁棒核、RANSAC EKF更新方程 AR系统如何实现 介绍下VO Gridmap（网格标0、1）给定起点和终点，求最优路径（A*或...

核函数包括线性核函数、多项式核函数、高斯核函数等，其中高斯核函数最常用，可以将数据映射到无穷维，也叫做径向基函数（Radial Basis Function 简称 RBF），是某种沿径向对称的标量函数。通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数 ，可记作 k（||x-xc||）， 其作用往往是局部的，即当x远离xc时函数取值很小。 方法原理 编辑 根据模式识别理论，低维空间...

一个完整的SLAM系统分为前端和后端，前端也就是我们所说的视觉里程计，它是来根据相邻图片来估计相机之间的运动。视觉里程计的算法主要分为两大类别：特征点法和直接法。本次记录了特征点法学习的部分内容，特征点法的原理，并且进行了相关实验。特征点法首先顾名思义就是要找到特征点，即从相机的图片间选出有代表性的点，因为直接从图像矩阵的层面去进行运动估计，过程很难实现。在SLAM中我们希望特征点能够拥有以下特点...