@[toc] 语义特征实例跟踪 两个连续帧中的点分别为p和p’,它们之间满足如下投影关系:其中z_p是p的深度,$$\pi(\cdot)$ $是相机投影模型 ,\pi’(\cdot)是相机逆投影模型。G=[\theta, \phi, d]是相机坐标系下的平面参数。G \cdot X = [cos\theta cos\phi, cos\theta sin\phi, sin\theta]^TX+d
@[TOC] git add [文件名] 开始跟踪新文件 或者把已跟踪的文件放到暂存区 还能用于合并时把有冲突的文件标记为已解决状态等 git status 查看文件状态 Untracked files:文件未跟踪 Changes to be committed:文件已暂存 Changes not staged for commit::文件未暂存 git st
bug dynamic module does not define module export function (PyInit_cv_bridge_boost) 原因是在python3中调用了cv_bridge,而ros默认的cv_bridge是python2的 解决(用python3编译) 参考 https://stackoverflow.com/questions/492215
@[toc] 一、运动模型 激光:点到面的距离残差视觉:重投影残差\boxplus和\boxminus: 流型上的加减法 1.1 连续时间的运动模型 a_m和\omega_m是IMU的加速度和角速度的原始测量值b_a和b_g是加速度和角速度的biasn_a = n_{ba}和n_g = n_{bg} 是随机游走的高斯白噪声 1.2 离散时间的IMU模型 定义第i个IMU测量的系统状态为
@[toc] 原项目地址 数据类型声明 using PointType = pcl::PointXYZ; // PointVector = pcl::PointCloud.points using PointVector = std::vector<PointType, Eigen::aligned_allocator<PointType>>; struct BoxPoi
@[toc] 偏心率e和平面性f: 笛卡尔坐标系下,地球表面上的点\mathbf{r}_{e S}^{e}=\left(x_{e S}^{e}, y_{e S}^{e}, z_{e S}^{e}\right)到地心的距离: 由几何关系有: 由椭圆公式有: 由三角函数和上式有: 纬度latitude(符号$L$) 地心纬度geocentric latitude 大地纬度geodeti
@[toc]物体系\alpha, 参考系\beta, 解析轴\gamma, 惯性系i 笛卡尔坐标系下的位置(Cartesian Position) $\alpha关于\beta$的位置表示为$\mathbf{r}_{\beta \alpha}^{\gamma}=\left(x_{\beta \alpha}^{\gamma}, y_{\beta \alpha}^{\gamma}, z_{\beta
@[toc] 一、ceres::Problem Problem包含两个主要的成员函数Problem::AddResidalBlock() and Problem::AddParameterBlock() Problem::AddResidualBlock() Problem::AddResidualBlock()顾名思义,就是向问题中添加一个残差块。它添加了一个CostFunction和一个可选的
@[toc] 一、ceres::LocalParameterization 在许多优化问题中,尤其是传感器融合问题,必须对存在于称为流形的空间中的数量进行建模,例如由四元数表示的传感器的旋转/方向。其中流型中的加法用⊞表示。以旋转矩阵更新为例: LocalParameterization 接口允许用户定义参数块并与它们所属的流形相关联。它通过定义 Plus (⊞) 运算及其在 Δ=0 处相对于 Δ
@[toc]官方教程的中文精简版,方便自己和已经有一定基础的同学查看 一、介绍 Ceres 可以解决以下形式的边界约束鲁棒化非线性最小二乘问题$f_i(.)$是CostFunction。也就是误差函数,也叫代价函数。$\rho_i$是LossFunction。LossFunction 是一个标量函数,用于减少异常值对非线性最小二乘问题的解决方案的影响。 二、简单的例子 f(x)=\frac{1}{
@[toc] 一、词袋模型的引出 最初的Bag of words,也叫做“词袋”,在信息检索中,Bag of words model假定对于一个文本,忽略其词序和语法,句法,将其仅仅看做是一个词集合,或者说是词的一个组合,文本中每个词的出现都是独立的,不依赖于其他词 是否出现.也就是说,文档中任意一个位置出现的任何单词,都不受该文档语意影响而独立选择的。例如有如下两个文档: 1:Bob like
@[toc] 1. 将初始化的两帧转化为关键帧 // Create KeyFrames 认为单目初始化时候的参考帧和当前帧都是关键帧 KeyFrame* pKFini = new KeyFrame(mInitialFrame,mpAtlas->GetCurrentMap(),mpKeyFrameDB); // 第一帧 KeyFrame* pKFcur = new KeyFra
A. 标准层 Static Map Layer:为了做全局规划,机器人需要一个超越其传感器的地图,以了解墙壁和其他静态障碍物的位置。 静态地图可以先用SLAM算法生成,也可以从架构图中创建。 当层接收到地图时,updateBounds方法将需要返回覆盖整个地图的边界框。 然而,在随后的迭代中,由于它是静态的,所以绑定框的大小不会增加。 在实践中,静态地图一直是全局代价图的底层,因此它将其值直接
@[toc] 一、初始化特征匹配 1.1 查找候选特征点: 因为单目初始化的两帧是连续的,且初始化的两帧的速度一般不快,两帧差距不大,因此这里的候选关键帧采用最简单的紧邻搜索。如图所示:假设特征点在Frame1中的位置为A(x,y)。那么Frame2中的候选特征点就在对应坐标的一个半径为r(默认r=100)的圆中查找 /** * @brief 找到在 以x,y为中心,半径为r的圆形内且金字塔层级
@[toc] 一、ORB特征 1.1 FAST关键点 选取像素p,假设它的亮度为Ip; 设置一个阈值T(比如Ip的20%); 以像素p为中心,选取半径为3的圆上的16个像素点; 假如选取的圆上,有连续的N个点的亮度大于Ip+T或小于Ip-T,那么像素p可以被认为是特征点; 循环以上4步,遍历每一个像素执行相同操作。 1.2 BRIEF 描述子 论文:BRIEF: Binary Robust
目录 一、旋转运动学 1.1 线速度与角速度 1.2 旋转坐标系下的运动学 二、IMU 测量模型及运动模型 2.1 MEMS(Micro-electromechanical Systems微电子机械系统) 加速度计工作原理 2.2 MEMS(Micro-electromechanical Systems微电子机械系统) 陀螺仪测量原理 三、IMU 误差模型 3.1 误差分类 3
如果QP问题只有等式约束没有不等式约束,那么是可以闭式求解(close form)的。闭式求解效率要快很多,而且只需要用到矩阵运算,不需要QPsolver。 这里介绍Nicholas Roy文章中闭式求解的方法。 1. QP等式约束构建 闭式法中的Q 矩阵计算和之前一样(参照文章一),但约束的形式与之前略为不同,在之前的方法中,等式约束只要构造成[...]p=b的形式就可以了,而闭式法中,每段po
@[toc] 一、简介 PCL中总结了几种需要进行点云滤波处理的情况,这几种情况如下: (1)点云数据密度不规则需要平滑。 (2)因为遮挡等问题造成离群点需要去除。 (3)大量数据需要进行下采样( Downsample)。 (4)噪音数据需要去除。 对应的方法如下: (1)按具体给定的规则限制过滤去除点。 (2)通过常用滤波算法修改点的部分属性。 (3)对数据进行下采样, 原始测试点云 二、点
在上一篇文章中,我们得到的轨迹并不是很好,与路径差别有点大,我们期望规划出的轨迹跟路径大致重合,而且不希望有打结的现象,而且希望轨迹中的速度和加速度不超过最大限幅值。为了解决这些问题有两种思路: 思路一:把这些”期望“加入到优化问题中。 思路二:调整时间分配,来避免这些问题。 1.corridor 1.1 corridor是什么? 为了限制
一. 轨迹规划是什么? 在机器人导航过程中,如何控制机器人从A点移动到B点,通常称之为运动规划。运动规划一般又分为两步: 1、路径规划:在地图(栅格地图、四\八叉树、RRT地图等)中搜索一条从A点到B点的路径,由一系列离散的空间点(waypoint)组成。 2、轨迹规划:由于路径点可能比较稀疏、而且不平滑,为了能更好的控制机
目录 一、VIO(Visual-Inertial Odometry)概述 1.1 IMU概述 1.2 IMU 与视觉定位方案优势与劣势对比: 1.3 IMU 数据可与多种定位方案融合 1.3.1 松耦合 1.3.2 紧耦合 二、预备知识 2.1 数学符号约定 2.2 三维刚体运动 2.3 四元数
搜索区域 如图所示简易地图, 其中绿色方块的是起点 (用 A 表示), 中间蓝色的是障碍物, 红色的方块 (用 B 表示) 是目的地. 为了可以用一个二维数组来表示地图, 我们将地图划分成一个个的小方块。 开始寻路 1.从起点A开始, 把它作为待处理的方格存入一个"开启列
基于快速扩展随机树(RRT / rapidly exploring random tree)的路径规划算法,通过对状态空间中的采样点进行碰撞检测,避免了对空间的建模,能够有效地解决高维空间和复杂约束的路径规划问题。该方法的特点是能够快速有效地搜索高维空间,通过状态空间的随机采样点,把搜索导向空白区域,从而寻找到一条从起始点到目标点的规划路径,适合解决多自由度机器人在复杂环境下和动态环境中的路径规划
积分
粉丝
勋章
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信