文章目录01整体代码运行流程1.1运行官方Demo1.2变量命名规则1.3多线程1.4线程锁1.5SLAM主类System01整体代码运行流程1.1运行官方Demo以stereo_kitti为例，执行.

ORB-SLAM2代码详解03:地图点MapPoint_ncepu_Chen的博客-CSDN博客_orbslam地图点地图点是三维点，有唯一的id，不同帧的特征点可能对应同一个三维点。

ORB-SLAM2学习（原理）：MapPoint.cc详细中文源码解读：链接：https://pan.baidu.com/s/1LWfowy5wbUdXamEGE1STcA提取码：t796PS:该代码从

ORB-SLAM2中维护的是局部建图，在项目里所谓的地图就是两个数组：特征点数组和关键帧数组。所有关键帧和特征点的结合就是地图信息，所以在ORB-SLAM2中最重要的两个部分就是地图点和关键帧。

文章目录SLAM001什么是回环检测？002常用的回环检测方法有哪些？003介绍一下Gauss-Netwon和LM算法004介绍一下Ceres优化库，比如你使用过里面哪些内容？

文章目录编程语言一、C/C++C与C++的区别(面向对象的特点)C++与Python的区别判断struct的字节数static作用Const作用extern"C"的作用多态如何实现多态？虚函数虚函数怎么实现的？析构函数虚析构函数的作用virtual函数能不能用在构造函数中&#

专栏系列文章如下：一：TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二

专栏系列文章如下：一：TixiaoShan最新力作LVI-SAM(Lio-SAM+Vins-Mono)，基于视觉-激光-惯导里程计的SLAM框架，环境搭建和跑通过程_goldqiu的博客-CSDN博客二

提示：以下全是自己编译实际运行SLAM工程实践中遇到的种种问题及如何解决相关问题使用自己的相机和雷达实时运行R3LIVE、FAST-LIO2、FAST-LIVO等SLAM系统前言写这篇博客的主要目的：记录自己从零开始接触

大家好呀，我是一个SLAM方向的在读博士，深知SLAM学习过程一路走来的坎坷，也十分感谢各位大佬的优质文章和源码。

项目介绍项目地址：louislam/uptime-kuma:Afancyself-hostedmonitoringtool(github.com)UptimeKuma是一个开源的网络服务监控工具。

目录收起一图像变换与平面坐标系的关系二平面坐标系与齐次坐标系三单应性变换四关于OpenCV中的相关API五深度学习在单应性方向的进展单应性原理被广泛应用于图像配准，全景拼接，机器人定位SLAM，AR增强现实等领域

(通过SLAM接口功能包可知，发布的里程计信息和点云地图信息在map坐标系下，在功能包sensor_scan_generation中发布了在sensor_at_scan坐标系下的点云地图信息，也发布了map

caffe源码解读系列Python中的异常处理精确率、精度（Precision）召回率（recall）你真的理解吗？Python字符串处理的七种技巧如何直观的理解机器学习过拟合和欠拟合？如何直观的理解机器学习PR曲线和ROC曲线？深度学习开源网络RPN算法解析源码解读numpy下hstack()和vstack()的用法python下classself的用法python计算时间差divmod()da

站在罗曼尼康帝的阴影中在两个世界上最贵和最知名的葡萄园中间有一个不知名的GrandCru的小品牌，相对来说几乎没什么人知道，单一园—“LaGrandeRue”（伟大的街道），隶属于DomaineFrancoisLamarche

TF树（TransformTree）是在机器人操作系统（ROS）中使用的一种数据结构，用于跟踪和管理多个坐标系之间的关系。它允许用户定义坐标系（如机器人各部分或传感器）之间的相对位置和方向，并能随时间动态更新这些关系。TF树使得在复杂的系统中，可以轻松管理和转换不同坐标系下的数据，从而简化了空间位置计算和路径规划等任务。通过TF树，开发者能够维护一个清晰的坐标系关系图，有助于实现高效的空间感知和运

目录几个关键原理：1.因子图：2.非线性优化：3.平滑和映射：4.概率建模：5.模块化和扩展性：举例说明如何构建和使用GTSAM：步骤1:安装GTSAM步骤2:包含头文件步骤3:创建因子图步骤4:添加因子步骤5:创建初始估计步骤6:优化步骤7:结果分析GTSAM(GeorgiaTechSmoothingandMappinglibrary)是一个开源C++库，用于解决机器人和自动驾驶车辆的定位与地图

在激光SLAM（SimultaneousLocalizationandMapping）中，获取当前扫描帧的点云数据通常依赖于使用的SLAM框架和激光雷达（LiDAR）的SDK（软件开发工具包）。

Serverless架构：无服务器应用与AWSLambda-读书笔记好的架构可以成就软件，缺乏架构则会破坏软件。

激光雷达里程计香港大学开源激光雷达惯性视觉里程计FAST-LIVO论文名：FAST-LIVO:FastandTightly-coupledSparse-DirectLiDAR-Inertial-VisualOdometry单位：香港大学火星实验室论文下载：https://arxiv.org/abs/2203.00893代码地址：https://github.com/hku-mars/FAST-LI

KD树（K-DimensionalTree，简称KD树）是一种用于组织和存储大量空间数据以便快速检索的数据结构。它在点云数据处理和计算机视觉等领域有广泛应用。KD树是一种二叉树，用于将K维空间的数据划分为不同的区域，以便快速进行空间搜索、邻近点查找、范围查询等操作。在点云中，KD树的主要用途是帮助快速找到空间中的最近邻点或者执行范围搜索。点云数据通常包含了大量的三维空间点，通过构建KD树，可以高效

目录3.3YOLO模型轻量化改进3.3.1目标检测算法改进方向3.3.2改进算法性能对比与算法选择

目录前言基于视觉SLAM的语义地图构建框架2.1基于RGBD数据的视觉SLAM框架2.1.1传感器数据读取

这篇文章介绍采用开源库Kalibr对zedmini双目相机的内外参进行标定，Kalibr在SLAM领域非常流行，因为他可以非常方便的对相机，IMU等传感器的内外参进行标定1Kalibr安装Kalibr的官网

网络架构传统电信网络:点对点链路PPP协议协议内容消息过程多协议封装功能电话网接入Internet(DSL数字用户线路)主要接入技术ADSL关键技术DMTDSLAM体系结构PPPOE帧格式过程特点局域网定义参考模型

HoloLens是微软在2015年1月22日凌晨发布的一款头戴式的便携全息计算机设备。不同于VR眼镜，HoloLens直接在现实世界中呈现出一些虚拟的全息投影，即混合现实，不仅增强了真实感，还提供了一种新的人与现实世界交互的方式。HoloLens与用户的交互主要有以下三种方式：1、凝视（gaze）HoloLens可以探测到用户视线的焦点所在从而做出一些判断和反应。2、手势（gesture）Holo

本周任务使用KinectDK跑通ORB_SLAM2_with_pointcloud，实时获取点云文件使用KinectDK采集数据，制作类似TUM数据集遇到的问题1.可以获取特征点，但是得不到点云数据。

论文题目：UncLe-SLAM:UncertaintyLearningforDenseNeuralSLAM中文题目：UncLe-SLAM:将不确定性学习用于密集神经SLAM作者：ErikSandstromKevinTaLucVanGoolMartinR.Oswald0

论文题目：DynaSLAM:Tracking,Mapping,andInpaintinginDynamicScenes中文题目：DynaSLAM：动态场景中的跟踪、建图和图像修复作者：BertaBescos

在SLAM中相机的位姿是不确定的，需要我们进行优化，常用的优化方法便是求导，但是旋转矩阵由于自身的特殊性(行列式为1的正交矩阵)，使我们无法直接对旋转矩阵进行求导优化，所以引入了李群与李代数来简化求解方式

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对得到的表示进行估计和优化。

目录一、李群与李代数基础群李代数的引出李代数的定义李代数so(3)\mathfrak{so}(3)so(3)李代数se(3)\mathfrak{se}(3)se(3)二、指数和对数映射SO(3)SO(3)SO(3)上的指数映射SE(3)SE(3)SE(3)上的指数映射三、李代数求导与扰动模型BCH公式与近似公式SO(3)SO(3)SO(3)李代数上的求导李代数求导扰动模型(左乘)SE(3)SE(3

本文为视觉SLAM学习总结，讲解对观测方程中xxx该如何优化。

@《视觉SLAM十四讲》知识点与习题《视觉SLAM十四讲》第四讲知识点整理+习题正在学习SLAM相关知识，将一些关键点及时记录下来。

文章目录一、引入二、基础1、群2、李代数三、指数与对数映射1、SO(3)指数映射2、SO(3),SE(3),so(3),se(3)的对应关系四、李代数求导和扰动模型1、李群乘法和李代数加法的基本认识2、导数模型和扰动模型五、激动人心的英文符号1、Sophus的使用2、Example：评估轨迹误差前言：这部分内容很基础很重要，得看开。一、引入旋转矩阵或者变换矩阵对加法是不封闭的，即两个旋转矩阵相加或

本文为b站视频的一个笔记在SLAM中，我们经常要解下面一个问题F=minJ(T)=Σi=1N∣∣zi−Tpi∣∣2F=minJ(T)=\Sigma_{i=1}^N||z_i-Tp_i||^2F=minJ

目录0.前言：1.李群和李代数1.1群的定义1.1.1李群SO3、SE31.2李代数的引出1.3李代数的定义1.3.1李代数so31.3.2李代数se32.指数与对数映射2.1SO3上的指数映射2.1.1指数映射的性质：2.2SE3上的指数映射3.李群、李代数的定义与相互的转换关系4.李代数求导与扰动模型4.1BCH公式与近似模型4.1.1BCH公式4.1.2BCH近似的意义4.2SO3上的李代数

视觉SLAM十四讲|【一】三维空间刚体运动旋转矩阵SO(n)={R∈Rn×n∣RRT=I,det(R)=1}SO(n)=\{R\in\mathbb{R^{n\timesn}}|RR^T=I,det(R)

三维世界中描述刚体运动可以使用旋转矩阵,旋转向量,欧拉角,四元数等.但是在SLAM中,除了表示之外,我们还要对它们进行估计和优化.因为在SLAM中位姿是未知的,而我们需要解决形如"在什么样的相机位姿最符合当前观测数据

SLAM中位姿是未知的，而我们需要解决什么样的相机位姿最符合当前观测数据这样的问题。可以构建成一个优化问题，求解最优的R,t,使得误差最小化。

1.SO3和SE3的声明（1）SO3可以由旋转矩阵/欧拉角/四元数/声明，但是不可以由角轴声明。具体做法：先用角轴声明旋转矩阵，再用旋转矩阵声明SO3Eigen::AngleAxisdv_rotation(M_PI/2,Eigen::Vector3d(0,0,1));Eigen::Matrix3dR_rotation=v_rotation.matrix();Sophus::SO3SO3_R(R_r

李群和李代数1.李群李代数基础1.1群1.2李代数的定义1.3李代数so(3)\mathfrak{so}(3)so(3)1.4李代数se(3)\mathfrak{se}(3)se(3)2.指数和对数映射2.1SO(3)SO(3)SO(3)上的指数映射2.2SE(3)SE(3)SE(3)上的指数映射3.李代数求导与扰动模型3.1BCH公式与近似形式3.2李代数求导4.SOPHUS库的使用4.1SOP

1、李代数的存在是为了更好地估计变换矩阵T。2、李群对乘法封闭。3、李代数是对加法封闭（因为其由向量组成）。4、李代数对应李群的正切空间，它描述了李群局部的导数。5、对于某个时刻的R(t)（李群空间），存在一个三维向量φ=（φ1，φ2，φ3）（李代数空间），用来描述R在t时刻的局部的导数。6、李群空间的任意一个旋转矩阵R都可以用李代数空间的一个向量的反对称矩阵指数来近似。7、旋转矩阵的导数可以由其

SLAM十四讲——跑通李群与李代数代码（解决Sophus库的问题）一、前期准备二、正式配置三、参考文章一、前期准备1、Sophus库分为模板Sophus库和非模板Sophus库。

视觉SLAM十四讲|【二】李群与李代数李群与李代数基础群的性质封闭性：∀a1,a2∈A,a1⋅a2∈A\foralla_1,a_2\inA,a_1\cdota_2\inA∀a1,a2∈A,a1⋅a2∈A

*用ICP实现轨迹对齐1.ORB特征点1.1ORB提取ORB(OrientedFASTandBRIEF)特征是SLAM中⼀种很常⽤的特征，由于其⼆进制特性，使得它可以⾮常快速地提取与计算[1]。

nerf神经辐射场传统渲染：三维模型+材质+光照--》RGB图片三维重建：RGB图片--》三维模型Nerf-slam的简述输入/训练集为一些图片，每个图片都已知相机视角（相对于图片中的某个物体），通过神经网络预测其他视角下的该物体的图片也就是通过上述训练将该物体的模型隐式的表示在了神经网络模型中

SLAM算法与工程实践系列文章下面是SLAM算法与工程实践系列文章的总链接，本人发表这个系列的文章链接均收录于此SLAM算法与工程实践系列文章链接下面是专栏地址：SLAM算法与工程实践系列专栏文章目录SLAM

SLAM算法与工程实践系列文章下面是SLAM算法与工程实践系列文章的总链接，本人发表这个系列的文章链接均收录于此SLAM算法与工程实践系列文章链接下面是专栏地址：SLAM算法与工程实践系列专栏文章目录SLAM

SLAM算法与工程实践系列文章下面是SLAM算法与工程实践系列文章的总链接，本人发表这个系列的文章链接均收录于此SLAM算法与工程实践系列文章链接下面是专栏地址：SLAM算法与工程实践系列专栏文章目录SLAM