第三讲(下)_VIO残差函数的构建及雅克比推导[未完成]
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-10-33-57.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-10-35-07.png)
xi是15维的状态量,因为姿态qwbi是指更新量δ
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-10-39-49.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-10-44-32.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-10-48-38.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-10-49-50.png)
IMU预积分
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-10-58-44.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-11-02-46.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-11-05-36.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-11-16-37.png)
预积分量的方差
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-11-17-16.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-11-20-33.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-11-29-06.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-11-38-09.png)
- F是状态量xk对状态量xk−1所携带的误差量δxk−1的雅克比矩阵
- G是状态量xk对输入量uk−1所携带的误差量δuk−1的雅克比矩阵
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-11-42-44.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-11-45-53.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-15-35-24.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-15-35-34.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-15-35-51.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-15-36-03.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-15-36-11.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-15-36-23.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-15-36-33.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-15-36-46.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-15-36-58.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-15-37-12.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-15-37-20.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-15-37-31.png)
_VIO%E6%AE%8B%E5%B7%AE%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%84%E5%BB%BA/imgs/2020-02-09-15-37-40.png)
| 首页 | 归档 | 分类 | 标签 | 关于 |
|
xi是15维的状态量,因为姿态qwbi是指更新量δ
- F是状态量xk对状态量xk−1所携带的误差量δxk−1的雅克比矩阵
- G是状态量xk对输入量uk−1所携带的误差量δuk−1的雅克比矩阵
Synthetic 2D LIDAR for Precise Vehicle Localization in 3D Urban Environment 摘要 本
LOG-LIO: A LiDAR-Inertial Odometry with Efficient Local Geometric Information Es
Real-time 3D Reconstruction at Scale using Voxel Hashing 摘要 由于实时消费深度相机的可用性，在线三维重
RH-Map: Online Map Construction Framework of Dynamic Object Removal Based on 3D
X-ICP: Localizability-Aware LiDAR Registration for Robust Localization in Extrem
Point-LIO: Robust High-Bandwidth Light Detection and Ranging Inertial Odometry C
速度坐标系转换 问题描述 在做滤波器的时候，通常会遇到这样一个问题，轮速计通常安装在车辆后轴轮毂上，得到的速度通常标记为后轴中心的速度。然而IMU并不一定安装在
SR-LIO: LiDAR-Inertial Odometry with Sweep Reconstruction 摘要 此论文所述的BA不是对激光多帧的BA，
An analytic solution to Wahba's problem Clipboard 2023年5月15日 21.42 摘要 所有航天器姿态估计方
Fundamentals of Inertial Navigation, Satellite-based Positioning and their Integ
IMU Error Modeling Tutorial (INS state estimation with real-time sensor calibrat
Kalman Filters on Differentiable Manifolds IkFoM在Fast-LIO2中的应用 Fast-LIO2中，主要使用了I
Robust Odometry and Mapping for Multi-LiDAR Systems with Online Extrinsic Calibr
Large-Scale LiDAR Consistent Mapping using Hierarchical LiDAR Bundle Adjustment
On the Covariance of ICP-based Scan-matching Techniques 摘要 本文研究迭代最近点(ICP)算法计算旋转平
Robust and Online LiDAR-inertial Initialization 介绍 摘要：对于大多数LiDAR惯性里程计来说，精确的初始状态，
Performance evaluation of iterated extended Kalman filterwith variable step-leng
Kalman Filters on Differentiable Manifolds 摘要 卡尔曼滤波是现代控制系统中最重要和应用最广泛的滤波技术之一。然而，几
前言 协程是Cyber-RT的实现任务轮转的最小单位，是处理数据回调的运行模块。协程可以理解为“可以暂停”的函数，相比于线程，其具有中断可恢复的特性，那么只需要
前言 Scheduler是Cyber-RT的调度核心，是协程的调度载体。特别的，对于自动驾驶任务而言，任务调度的实时性发挥至关重要的作用，因此有必要对各种任务的
FAST-LIO: A Fast, Robust LiDAR-inertial Odometry Package by Tightly-Coupled Iter
FAST-LIO2: Fast Direct LiDAR-inertial Odometry 摘要 在高效的紧密耦合迭代卡尔曼滤波器上，FAST-LiO2有两个
Camera-单线激光标定 本文来源于 《标定系列三 | 实践之Camera-Lidar标定》 1. 前言 从理论上看，相机和激光之间外参数的标定原理非常简单，
回顾 问题描述 所谓的未标定立体相机问题，就是不知道相机外参而进行3D空间点恢复，其中包含以下几个议题： 总结步骤如下：
回顾 问题描述 所谓的未标定立体相机问题，就是不知道相机外参而进行3D空间点恢复，其中包含以下几个议题： 总结步骤如下：
从投影矩阵提取内/外参矩阵 首先忽略齐次形式，重写成内参矩阵*旋转矩阵， 又因为： 内参矩阵是上三角矩阵 旋转矩阵是正交矩阵 qr分解可以将矩阵分解为 [上三角
Backward Projection: 2D to 3D 假设给定一个标定好的相机，如何从2D图像恢复3D点？ 双目 深度与视差成反比 深度与基线成正比 基线
相机标定过程 以立方体的一个角作为世界坐标系原点，相机拍摄图片，就可以得到一系列3D-2D关联。 对投影模型展开，得到线性等式如下： 将矩阵中的12个参数作为向
Forward Imaging Model： 3D to 2D Perspective Projection 相机成像平面与图像的映射 点的齐次坐标表示 矩阵表
Localization for Ground Robots: On Manifold Representation, Integration, Re-Para
A Multi-State Constraint Kalman Filter for Vision-aided Inertial Navigation 摘要 本
LT-mapper: A Modular Framework for LiDAR-based Lifelong Mapping 摘要 本文开发了一个开源的、模块
Trajectory modification considering dynamic constraints of autonomous robots 摘要
A Flexible and Scalable SLAM System with Full 3D Motion Estimation 摘要 在许多应用场景中，比
T-LOAM: Truncated Least Squares LiDAR-Only Odometry and Mapping in Real Time 摘要
LION: Lidar-Inertial Observability-Aware Navigator for Vision-Denied Environment
UPSLAM: Union of Panoramas SLAM 此文表达，晦涩难懂 摘要 提出一种基于全景深度图的建图系统，全景图像可有效捕获由旋转激光雷达获取
Any Way You Look at It: Semantic Crossview Localization and Mapping With LiDAR 摘
Incremental-Segment-Based Localization in 3-D Point Clouds
Adjoints 我们将介绍李群伴随的概念，这将帮助我们将右边的增量或矫正值与左边的增量或校正值联系起来。这种性质使我们能够用代数方法处理李群定义的不确定性，并
3D激光雷达与全向相机外参标定 摘要 我们提出了一种使用全向摄像头系统对3D激光扫描仪进行外部校准的方法，该程序要求至少从3个视角同时从激光扫描仪和相机系统观察
时钟系统的前世今生 最近在完善惯导ros驱动，发现GPGGA语句和GPFPD语句输出的时间不一致，一个是utc时间，另一个是gps时间。为了实现时钟同步，就要完
Spatiotemporal Calibration of Camera and 3D Laser Scanner 摘要 我们提出了一种用于相机和3D激光扫描仪
Calibration of RGB Camera With Velodyne LiDAR 适用于32线以上 摘要 本文提出了一种从粗到细的lidar-came
Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor Setups 摘要 本文提
LiDAR-Camera Calibration using 3D-3D Point correspondences 摘要 采用多个传感器来提供冗余信息，该信息
什么是预积分 即对两个关键帧之间的imu数据进行整合，得到一个factor，并且该factor基本上不随两个关键帧的状态改变而变化 预积分计算 回顾惯导解算，已
Why Zotero? 可以一键导入并下载CNKI文献(pdf) 可以抓取硕士论文目录 与Word兼容性良好(安装插件即可实现gb7714等参考文献引用格式)
Eigen常用操作|Eigen Cheatsheet 12// A simple quickref for Eigen. Add anyth
占用栅格更新过程 静态二值贝叶斯滤波 机器人技术中的某些问题表达为不随时间变化的二值状态的最优估计间题。这些问题通过二值贝叶斯滤波 (binary Bayes
从点云中删除动态对象的稳健方法 摘要 提出了一种从3D点云地图中删除动态对象的可靠方法。给定一组已配准的3D点云，我们构建一个占据栅格地图，其中体素表示扩展时间
LiTAMIN: LiDAR-based Tracking And MappINg by Stabilized ICP for Geometry Approxi
成像原理与图像特征 针孔相机模型 外参矩阵： 世界坐标系与相机坐标系 相机朝向就是外参矩阵中的旋转矩阵第三行 内参矩阵： 小结： 径向畸变 对极几何 八点法求基
LiDAR Inertial Odometry Aided Robust LiDAR Localization System in Changing City
GPU硬件架构综述 Fermi GPU 相关术语
基于预积分优化的建图方法 预积分模型推导 导航方程 连续时间的预积分计算 离散时间的预积分计算（中值积分） 预积分量的计算 预积分的更新 预积分的方差（传递）
Towards High-Performance Solid-State-LiDAR-Inertial Odometry and Mapping IN2LAAM
LINS: A Lidar-Inertial State Estimator for Robust and Efficient Navigation ESKF模
Kalibr Kalibr使用的IMU观测模型包含两种误差： n，白噪声（波动较快） b，缓慢变化的bias 因此，以陀螺仪为例子，角速度测量可写成： \[ \
基于误差状态的滤波分析 根据《惯导解算原理——捷联惯导更新算法及误差分析》分析，已经得到了三个误差方程： 姿态误差方程 \[ \begin{aligned} \
捷联惯导更新算法 姿态更新算法 选取“东-北-天”地理坐标系作为惯导系统的导航参考坐标系，后面记为n系，则以n系作为参考系的姿态微分方程为： \[ \dot{C
组合导航工程经验(重要) 初始对准：航向收敛 公式上理解现象 mems为什么不能做静态初始对准 如果要解方程(3) 待求变量为： \(\phi_E\) \(\p
基于滤波器的融合算法-进阶 编码器融合 不考虑imu和车体之间的旋转 考虑imu和车体之间的旋转 上述框框来源于：第三章-姿态误差方程的推导 上述框框同样来源于
基于滤波的融合方法 基于误差状态的滤波方法(基于角误差) 姿态误差方程 速度误差方程、位置误差方程 状态方程(预测) \(B_t\)来源于\(F_t\)的后两列
基于滤波的融合方法 概率相关基础 贝叶斯公式和贝叶斯推断——核心 高斯概率密度函数——核心 上式说明，如果有(x,y)的联合概率密度函数，同时又有y的分布，那么
BALM: Bundle Adjustment for Lidar Mapping 摘要 提出的方法通过最小化协方差矩阵的特征值来使得特征点分布在同一个边缘线或
惯导解算 基础部分 旋转矩阵微分 关于\(\dot{r}^{b}=-\omega_{ib}^{b} \times r^b\)的推导 其他求旋转矩阵微分的方法 考
地球模型 概念 坐标系 高精度的惯导解算 指考虑精确的地球模型的导航解算 解算中的体现 误差方程 简化求解 中等精度IMU处理方法 组合导航与基于点云定位的区别
A Robust and Easy to Implement Method for IMU Calibration without External Equip
测试工程师 什么是软件测试? 从广义上说，软件测试是软件生命周期中的所有检查、评审和确认工作，包括在分析、设计阶段，以及完成开发后确认阶段的各类文档、代码的审查
GNSS-INS-SIM GNSS-INS-SIM是GNSS/INS模拟项目，它生成参考轨迹，IMU传感器输出，GPS输出，里程表输出和磁力计输出。用户选择/设
惯性导航基础 惯导误差分析 Allan方差 惯性器件内参标定 内参误差模型 标定方法 分立级标定 加速度计标定 分立级：各个部分分开标定，系统级标定：使用一个模
一、基础知识 static关键字作用 全局静态变量 在全局变量前加上关键字 static,全局变量就定义成一个全局静态变量 存放地址：静态存储区 初始化：未经初
回环检测 基于Scan-Context 基于特征直方图 后端优化 基础知识 这里说的是： 假定对某个旋转\(R\)，对应李代数为\(\phi\)。我们给它左乘一
第1节 renqian：前端不要求精度，而对于平滑性要求较高 激光雷达介绍 前端里程计汇总 ICP理论 去质心(\(u_x,u_y\))目的：把旋转和平移进行解
Scan Context: Egocentric Spatial Descriptor for Place Recognition within 3D Poin
两轮差速底盘的三种航迹推算模型 差速底盘分析 航迹推算 机器人坐标系为 x轴为前进方向，z轴朝上的右手坐标系 (1)直线假设 切线模型最为简单，是ROS中采用的
SLAM基础知识点 SIFT和SUFT的区别 构建图像金字塔： SIFT特征利用不同尺寸的图像与高斯差分滤波器卷积；SURF特征利用原图片与不同尺寸的方框滤波器
LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping 摘要 提出
MSCKF-1-前端 开源代码： https://github.com/KumarRobotics/msckf_vio 前端解析
1. VLP-16-说明书摘要 2. 激光脉冲间隔 3. 数据量计算 4. 旋转速度与水平角分辨率的关系 4.1. 计算公式 因为传感器的发射时间固定在每次发射
LOAM: Lidar Odometry and Mapping in Real-time 摘要 主要思想，通过两个算法来同时优化大量变量，其中一个是作为高频输
1. 3D-激光雷达定位方法汇总 本次调查的目的是回顾和介绍与三维激光雷达定位相关的工作，比较文献中报道的不同结果，并讨论各自的优缺点。 2. 3D Regis
Complex urban dataset with multi-level sensors from highly diverse urban environ
1. ROS驱动-组合导航-星网宇达M2 这里使用的是Apollo D-Kit套件，采用的是星网宇达公司的M2组合导航。第一步先对组合导航进行设置，第二步是修改
BASALT-2-3D点的参数化表达
VINS-Mono-3-初始化和闭环 初始化 初始化要解决什么问题？ 总流程 视觉sfm 视觉-IMU对齐 已知条件 估计旋转外參\(q_{bc}\) 估计陀螺
1. 线性系统的能控性和能观性 能控性和能观测性是现代控制理论中两个很重要的基础性概念，最优控制和最佳估计都是以它们的存在为条件的，是由 Kalmen（卡尔曼）
1. 倒立摆案例 2. 法一 2.1. 已知参数 假设: 摆的重心坐标\((z+ l\sin \theta,l \cos \theta)\) \(\theta\
LeGO-LOAM: Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variab
c11新特性_# decltype类型推导[From Net] decltype 是 C++11 新增的一个关键字，它和 auto 的功能一样，都用来在编译时期
c11新特性_auto类型推导[From Net] auto 类型推导的语法和规则 在之前的 C++ 版本中，auto 关键字用来指明变量的存储类型，它和 st
VINS-Mono-后端 class Estimator 对于单目来说，Camera Id始终为0 特征点管理器 因子图 视觉约束 因子图与Hessian矩阵的
VINS-Mono整体架构 架构 ROS基础 整体代码流程图 前端 处理图片流程 这里的cur_img实际上是上一帧，只是它在这里是这样定义而已。 假设第一帧跟
1. VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator 2
1. 加法 1.1. 加法性质 2. 数乘 2.1. 数乘性质 3. 转置 3.1. 共轭转置 3.2. 转置性质 4. 对称 5. 矩阵乘法 5.1. 矩阵乘
1. Gauges and Gauge Transformations for Uncertainty Description of Geometric Str
1. On the Comparison of Gauge Freedom Handling in Optimization-based Visual-Iner
1. 面向对象 1.1. Apollo 低版本: 面向封闭场所的无人驾驶 高版本: 面向城市区域的无人驾驶为主 1.2. AutoWare 1.0 主要面向封闭
1. First Estimates Jacobian (FEJ)-EKF 2. 标准EKF-SLAM (引用崔老师的论文阅读配图) 如图所示，是以 2D 平面
1. 向量空间 向量空间又称线性空间，是线性代数的中心内容和基本概念之一。 1.1. 向量张成的空间 如果几个向量的线性组合在某一个向量空间中，并且该向量空间仅
对随机噪声和干扰的积分处理 我们现在的目的在于为动态系统中随机变量的积分提供合适的方法，当然，我们不能对未知的随机值进行积分，但我们可以对其方差和协方差进行积分
对随机噪声和干扰的积分处理 我们现在的目的在于为动态系统中随机变量的积分提供合适的方法，当然，我们不能对未知的随机值进行积分，但我们可以对其方差和协方差进行积分
1. 控制系统的李雅普诺夫稳定性分析 1.1. 对自动控制系统的要求 稳定：系统工作的前提 准确：稳态误差最小或者无差调节 快速：快速、平稳响应 1.2. 两种
1. 滑窗优化 1.1. 一些状态估计方法 1.2. 高斯牛顿收敛性问题 可以看到，高斯牛顿方法在高次近似项中，缺了一些项，如在2阶项中缺了一项\(S(x^{*
资料下载 点击下载
1. 线性系统的近似线性化 严格来说，大多物理系统都是非线性的，难以求解，即 \[ \left \{ \begin{aligned} \dot{x}=f(x,u
1. 运动分析的数学实质 线性系统的状态方程为: 数学实质是: 相对于给定的初始状态\(x_0\)和外部输入\(u\)，求解出状态方程的解\(x(t)\)，即由
DSO-2-跟踪与建图 跟踪 运动假设 上面说的旋转运动各有3种: 绕x轴: 逆时针转，顺时针转，不转 (3种) 绕y轴: 逆时针转，顺时针转，不转 (3种)
1. [附录]-几种积分方法 2. 龙格库塔数值积分法 我们的目的是对如下形式的非线性微分方程在给定一个时间间隔\(\Delta t\)进行积分， 从而将微分方
1. [附录]-几种积分方法 2. 龙格库塔数值积分法 我们的目的是对如下形式的非线性微分方程在给定一个时间间隔\(\Delta t\)进行积分， 从而将微分方
1. 第一章 四元数 2. 第二章 IMU驱动系统的误差状态运动学 2.1. 动机 我们希望写出带有偏置和噪声的加速度计和陀螺仪读数中惯性系统运动学的误差位置方
1. 第一章 四元数 2. 第二章 IMU驱动系统的误差状态运动学 2.1. 动机 我们希望写出带有偏置和噪声的加速度计和陀螺仪读数中惯性系统运动学的误差位置方
1. Aruco Board ArUco板是一组marker，在计算相机位姿时，如同对单个marker计算相机位姿一样，但是更加鲁棒。 板不限于这种布置，并且可
1. Aruco Aruco是一个开源的相机姿态估计库，已经嵌入到Opencv的Contribute包中。 简单来说，这是类似于二维码的Marker，长这样:
value-base 期望的计算 如果agent的策略\(\pi\)是确定的(即在给定状态下，agent只会执行一个策略)，那么方程是: 如果agent的策略\
1. DSO-1-系统框架与初始化 2. 直接&稀疏 非直接法: ORB_SLAM2 直接法: DSO 3. 相机几何模型与光度模型&雅克比推导
1. 运行官方Demo 德意志博物馆数据集 1.1. 下载数据集 1wget -P ~/Downloads https://storage.googleapis
以Ros::sensormsg::LaserScan为例 下图给出了cartographer中关于传感器消息的回调处理过程
Cartographer顶层接口 个人总结
1. 从node_main.cc开始 虽说从node_main.cc开始，但是，实际上还是从demo开始吧 2. demo_backpack_2d.launch
1. Cartographer-ROS封装API 2. 主节点 node_main.cc是运行Cartographer Ros的主节点。具体文件 2.1. 订阅
1. Algorithm walkthrough for tuning 1.1. 两个子系统 第一个是局部 SLAM (有时也称为前端或局部轨迹构建器)。 它的
C++——智能指针简介[From Net] 一、什么是对象所有权？ 在接触智能指针之前首先要理解对象的所有权是什么，在这之前我们总是用new和delete来进行
1. Cartographer-[1]概述 2. 整体架构 Cartographer可以看作是两个独立的，但相互关联的子系统。 3. 数据结构 整个库采用pro
1. 3D-正态分布变换(The Normal Distributions Transform) 前面探讨过2D-NDT匹配算法的原理和推导以及代码阅读，接下来
1. Mapping/Localization 1.1. Why does mapping needed in the slam? In Autoware, l
Design is important for readability and maintainability. It is highly recommende
Autoware Overview This page describes an overview of Autoware based on the Versi
1. 状态空间描述 1.1. 输入-输出描述与状态空间描述的差异 输入—输出描述(外部描述) 用传递函数、微分方程表征; 是系统的外部描述 是对系统的不完全描述
1. D3VO: Deep Depth, Deep Pose and Deep Uncertaintyfor Monocular Visual Odometry
第四讲-ORB-SLAM2-全局闭环 闭环部分 基于bow的闭环实际上比较弱，也是迟早被CNN取代的模块之一 主要看下面的即可 看这里 g2o扩展 同时优化位姿
车辆动力学模型 变量约定 变量名 意义 变量名 意义 \(F_y\) 整车受到y方向的力 \(\delta\) 方向盘转角 \(F_{yf}\) 前轮胎受到y方
Autoware.ai代码解读::NDT模块-1 在Autoware.ai的官方rosbag例子中，采用了NDT定位的算法进行演示，先看演示效果 Youtube
第三讲-ORB_SLAM2-局部优化
正态分布变换(The Normal Distributions Transform) 算法提出 Biber和Straer提出了二维数据配准的正态分布变换(NDT
学习创建一个ROS 2 Package 目标：使用CMake或Python创建一个新程序包，并运行其可执行文件 什么是ROS 2软件包 可以将包视为ROS 2代
ROS2 bag----录制和回放 ros2 bag是用于记录系统中有关主题发布的数据的命令行工具。它累积在任何数量的主题上传递的数据，并将其保存在数据库中。然
ROS2-Launch ros2里面的launch是基于python的，与ros1的不一样。 编写Launch文件 turtlesim_mimic_launch
Action 动作是ROS 2中用于长时间运行任务的通信类型之一。它们由三部分组成：目标，结果和反馈。 动作基于主题和服务。它们的功能与服务相似，但动作是可抢占
资料下载 点击下载
安装turtlesim 123sudo apt updatesudo apt install ros-eloquent-turtlesim 检查软件包是否已安装
1. PnP问题回顾 已知 世界坐标系下的3D点 这些3D点在相机坐标系下的, 经过相机模型投影形成的图像点(u,v) 相机内参矩阵K 求解 相机位姿Tcw(即
1. ROS2 1.1. ROS2新技术 Zeroconf：零配置网络服务规范，用于自动生成可用IP地址的网络技术，不需要额外的手动配置和专属的配置服务器。 P
整体结构 视觉里程计基本原理 单目的初始化很复杂 工程上更加趋向于双目、RGB-D，可以直接初始化成功 初始化：得到第一、二帧的位姿，以及以第一帧相机坐标系的3
1. Introduction：SVD分解(奇异值分解) 奇异值分解（Singular Value Decompositionm,简称SVD）是在机器学习领域应
1. Protobuf Protobuf是一种平台无关、语言无关、可扩展且轻便高效的序列化数据结构的协议，可以用于网络通信和数据存储 2. Protobuf-T
1. Real-Time Loop Closure in 2D LIDAR SLAM 2. 摘要 提出的方法应用在一个小型背包平台，可以达到实时的建图和定位，回
1. 背景 阅读Cartographer代码，需要解决一些函数的跳转关系，但是这个项目有点庞大，Qt-creator-ros也不能直接对整个克隆下来的项目进行分
图像变换
词袋模型 思路: 词袋: 将图像--->描述子的映射, CNN自编码: 图像---->向量 正向检索: 逆向检索: 参考资料
1. ORB_SLAM2 2. 预备知识【1】 2.1. ICP SE3/Sim3求解 2.1.1. 已知n对匹配的3D点----3点法求R 这3个点实际上是世
第五讲(上)_最小二乘求解器Solver流程&代码 非线性最小二乘 关于舒尔补操作消元,可参考 求解过程的细节操作 解释: 使用LM算法可以强行使得信息
1. 第三讲(上)_基于优化的IMU与视觉信息融合(上) 第三讲(上): (1)最小二乘问题的求解推导 (2)其中有LM算法的相关推导以及鲁棒核函数的推导 1.
第三讲(下)_VIO残差函数的构建及雅克比推导[未完成] \(x_i\)是15维的状态量,因为姿态\(q_{wbi}\)是指更新量\(\delta\) IMU预
1. SLAM综述_2020_Baichuan_Huang 2. 摘要 文章对激光SLAM，视觉SLAM以及它们的融合进行回顾。对于激光或者视觉slam而言，文
1. 线性方程组求解的直观感受 1.1. 非齐次线性方程组 求解下面的非齐次线性方程组 \[ \begin{cases} \text{ } 2x_{1}+3x_
三角化 当估计出相机运动之后, 需要利用相机运动估计出特征点的空间位置，三角测量（三角化）就是用来解决这个问题的。三角化主要是单目mono使用 image-20
1. 第四讲(上)_基于滑动窗口算法的VIO系统原理 1.1. 高斯分布到信息矩阵 1.1.1. SLAM问题的模型 1.1.2. 举例 上面省略了一些步骤 \
1. 第四讲(下)_基于滑动窗口算法的VIO系统 1.1. 滑动窗口算法 1.1.1. 图的表示 解释: (假设矩阵左上角元素索引(1,1)) 1. \(\La
1. 高斯过程(边缘化与条件作用) 1.1. 高斯过程的直观解释 1.1.1. 多元高斯分布 高斯分布（也叫做正态分布）是高斯过程的基础构件。而我们最感兴趣的是
前端 image-20200214094912305 image-20200214095748303 image-20200214095757400 image
资料下载 点击下载
1. 第一讲_预备知识 ## 1.1. 四元数的基本运算 * 主要运算 * 四元数乘法 > 乘法性质 > 1. 满足结合律 > 2. 不满足交
1. 第二讲_IMU相关内容 1.1. 旋转运动学 1.1.1. 运动半径\(r\)对\(\theta\)的求导,再写成矩阵形式 \(\color{red}{下
Editor-Enter
Editor-Enter