视觉SLAM学习【5】—–ubuntu16.04上基于KDevelop的VO框架搭建及特征提取与匹配目录 一、VO框架简介 1、什么是VO框架…
本文借鉴很多这个链接的内容,之后加了一些新的注释。 目录 Camera类 camera.h camera.cpp Frame类 frame.h fram…
前几天有实习的学弟询问我关于2D-3D匹配点的EPnP的算法原理。一下子问到还真没想起来。看了看资料,回忆起来了,特在这里简单的总结一下。 学弟没看明白的原因,其实就…
本章的内容没有理论知识,完全是由实践部分组成的。 本章主要有两大难点。 第一,g2o的使用。对此,我总结了到了之前的一章中: SLAM14讲学习笔记(十一)g2o图优…
这次的笔记我把13讲的部分内容总结一下。 虽然slam的名字叫同步定位与构图,但是书中建图的内容却少的可怜。据此高博给出了自己的解释,意为在定位的过程中,我确定了很多特征点的世界坐…
在上一讲中我们介绍了视觉SLAM十四讲的前3讲:基本框架和刚体运动的描述方式(R矩阵,T矩阵)。 面临的问题: 当我们对刚体的运动进行表示了之后,接下来要解决的问题是…
这章的内容不多,但是很奇妙的和上一章的串起来了。这里我简单总结一下光流法和直接法,主要想在最后总结和比较一下两个这节和上一节尤其是雅克比矩阵推导上的区别。雅克比矩阵的内容非常关键,…
直接总结吧:这一节描述的视觉里程计就是检测特征点,特征点匹配,匹配上以后算位姿和深度。 特征点检测: Fast特征点:以半径为3画圆,检测周围一圈一共16个点,设定阈值。有12个连…
4.IMU预积分 IMU预积分主要干了2件事,第一个是IMU预积分获得α、β、γ值,另一个是误差传递函数的获取。本部分的流程图如下图所示。 各个部分的讲…
8.sliding window 8.1 理论基础 实际上,这一部分跟后端非线性优化是一起进行的,这一部分对应的非线性优化的损失函数的先验部分。理论基础部分的代码基本在第7章部分。…
7.2 代码 在estimator.cpp的processImage()的最后,代码如下: else//solver_flag = NON_LINEAR,进行非线性优…
7.后端非线性优化 7.1 理论基础 7.1.1 bayes模型,因子图和最小二乘 这一部分主要是对董靖博士在公开课《因子图的理论基础》上的回忆和总结。 (1)bayes模型 假设…
6.2 代码解析 这部分代码在estimator::processImage()最后面。初始化部分的代码虽然生命周期比较短,但是,代码量巨大!主要分成2…
一些背景知识 TSDF的主要作用是进行三维场景在计算机中的重建。目前的那些中文博客与成熟的TSDF应用其实还有差距,故写此文。 视觉SLAM应用的一个分支为Dense SLAM。简…
6.初始化 第一个问题,为什么要初始化? 对于单目系统而言, (1)视觉系统只能获得二维信息,损失了一维信息(深度),所以需要动一下,也就是三角化才能重新获得损失的深度信息; (2…
这个系统是基于香港科技大学飞行机器人组的开源框架VINS-Mono开发的,原开源框架是针对单目SLAM。本双目SLAM系统是在原单目开源框架基础上的二次深度开发,外部接口与原框架一…
各个部分的讲解如下: 【SLAM】VINS-MONO解析——综述 【SLAM】VINS-MONO解析——feature_tracker 【SLAM】VINS-MONO解析——IMU…
目前网上有很多分析文章,但是都只是一些比较基础的原理分析,而且很多量,虽然有推倒,但是往往没有讲清楚这些量是什么,为什么要有这些量,这些量是从哪来的,也没有刷通整个代码,或者太简练…
目录 VIO 相关知识回顾 IMU 传感器模型: (1) IMU 预积分: 将一段时间内的 IMU 数据直接积分起来就能得到两时刻 i,j…
补充 深蓝学院-手写VIO 第六章 与《十四讲》前端知识不重合的部分。内容较少,没有前几章丰富。 前端 Frontend 非常能体现一个 SLAM 的追…
从高斯分布到信息矩阵 某个状态 ,以及一次与该状态相关的观测 。由于噪声的存在,观测服从 的概率分布,可以直观理解为:在状态 下,呈现观测 的概率,当此概率越大说明该观测…
滑动窗口算法 图优化基础 在十四讲中,我们已经接触了图优化以及如何使用 g2o 进行后端优化。 圆圈 Vertex:表示顶点,需要优化估计的变量。 边 Edge:表示顶点之间构建的…
接着上篇:从零手写VIO——(三)基于优化的 IMU 与视觉信息融合(上篇) 再次说明一下,本博客目前只是我在看深蓝时记录的,当然会有很多 PPT 上的内容,加上一点…
分上下篇吧,一共有七八十个公式呢 ^-^ 写在一篇就太长了 大批公式预警! 基于 Bundle Adjustment 的 V…