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：

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：

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

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

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：

Forward Imaging Model： 3D to 2D

Perspective Projection

Localization for Ground Robots: On Manifold Representation, Integration, Re-Parameterization, and Optimization

摘要

本文专注于通过概率融合里程计和单目相机进行地面机器人定位的任务。具体而言，(1) 提出了一种新的方法，通过参数重表示的方法形成motion manifold (2) 使用轮式里程计进行6D的整合 (3) 重新参数化流形等式，减少误差。最后，提出一种基于流形辅助的滑动窗口估计器的完整定位算法，其中使用轮式里程计、单目相机以及可选的IMU。

符号标记和传感器模型

A Multi-State Constraint Kalman Filter for Vision-aided Inertial Navigation

摘要

本文介绍了一个基于扩展卡尔曼滤波器的算法，用于实时视觉辅助的惯性导航算法。本项工作的主要贡献是观测模型的导出，其能够表达从多个相机pose观察到静态特征所构成的几何约束。该测量模型不需要在EKF的状态向量中包含3D特征点的位置。

提出的视觉辅助惯性导航算法的计算复杂性只与特征点数量线性相关，并且能够在大型现实环境中进行高精度的姿态估计。

LT-mapper: A Modular Framework for LiDAR-based Lifelong Mapping

摘要

本文开发了一个开源的、模块化的、现成的、基于lidar的城市站点lifelong mapping

这是通过将问题划分为连续的子问题来实现的：

Trajectory modification considering dynamic constraints of autonomous robots

摘要

经典的“松紧带”使由全局规划器生成的路径相对于最短路径长度发生变形，为了避免与障碍物接触。它不直接考虑底层机器人的任何动态约束。本文贡献引入了一种名为“时间弹性带”的新方法，该方法明确地考虑了运动的时间方面的动态约束，如有限的机器人速度和加速度。“时间弹性带”问题用加权多目标优化框架表示。大多数目标是局部的，因为它们依赖于一些邻近的中间配置。这就得到了一个有效的大规模约束最小二乘优化方法存在的稀疏系统矩阵。

仿真和实际机器人的实验结果表明，该方法具有较好的鲁棒性和计算效率，能够实时生成最优机器人轨迹。“时间弹性带”将由一系列路径点组成的初始路径转换为明确依赖于时间的轨迹，从而实现对机器人的实时控制。由于其模块化的形式，该方法很容易扩展到包含额外的目标和约束。