E-COM-NET
首页
在线工具
Layui镜像站
SUI文档
联系我们
推荐频道
Java
PHP
C++
C
C#
Python
Ruby
go语言
Scala
Servlet
Vue
MySQL
NoSQL
Redis
CSS
Oracle
SQL Server
DB2
HBase
Http
HTML5
Spring
Ajax
Jquery
JavaScript
Json
XML
NodeJs
mybatis
Hibernate
算法
设计模式
shell
数据结构
大数据
JS
消息中间件
正则表达式
Tomcat
SQL
Nginx
Shiro
Maven
Linux
SLAM学习
Hello World!
博客开业了老早之前就想好好整一个自己的博客,拖延症晚期一直拖到了现在,去年一年实验室搬砖划水感觉现在
slam学习
贼菜,为了明年的实习,也为了今后的学习和工作,打算正式整一波博客,记录自己的学习笔记和实验
椒盐蘑菇
·
2019-09-25 15:00
SLAM学习
——Ceres
一、安装配置依赖#CMakesudoapt-getinstallcmake#google-glog+gflagssudoapt-getinstalllibgoogle-glog-dev#BLAS&LAPACKsudoapt-getinstalllibatlas-base-dev#Eigen3sudoapt-getinstalllibeigen3-dev#SuiteSparseandCXSparse
white_Learner
·
2019-09-03 09:17
SLAM
SLAM学习
:三维空间刚体变换(2)
1.旋转向量矩阵表示方式有以下几个缺点:(1)SO(3)的旋转矩阵有九个量,但一次旋转只有三个自由度。因此这种表达方式是冗余的。同理,变换矩阵用十六个量表达了六自由度的变换。(2)旋转矩阵自身带有约束:它必须是个正交矩阵,且行列式为1。变换矩阵也是如此。当我们想要估计或优化一个旋转矩阵/变换矩阵时,这些约束会使得求解变得更困难。对于坐标系的旋转,任意旋转都可以用一个旋转轴和一个旋转角来刻画。于是,
JoannaJuanCV
·
2019-07-11 17:43
SLAM
SLAM学习
[
SLAM学习
]ORB_SLAM2中的system的单目Monocular问题汇总
system.h1输入图像和时间戳//Proccessthegivenmonocularframe//Inputimages:RGB(CV_8UC3)orgrayscale(CV_8U).RGBisconvertedtograyscale.//Returnsthecamerapose(emptyiftrackingfails).cv::MatTrackMonocular(constcv::Mat&
苏源流
·
2019-06-24 19:55
位姿测量
视觉SLAM
SLAM
SLAM学习
资源免费分享-转载
SLAM学习
资源分享转载来自[SLAM],(https://mp.weixin.qq.com/s/kAdGdWDlw15ZmLzG56DOOA)如果告知侵权会删除之前曾经总结过关于SLAM的资源,但感觉有些零零散散
Frederic18
·
2019-06-18 12:40
资料分享
快看,那个学SLAM 的崩溃了!
本文列举了当前优秀SLAM方案,点出了
SLAM学习
者的困境,最后打算搞点大事请把此文转发给你认识的SLAM大神,愿你头发浓密,心想事成当前优秀SLAM方案一览研究SLAM的小伙伴入门的时候都经历过痛苦阶段
计算机视觉life
·
2019-05-21 06:42
计算机视觉
SLAM
slam学习
之旅——hello slam
1新建工作文件夹使用mkdir命令新建文件夹slambook和ch1文件夹,并利用cd命令进入ch1文件下,截图如2编写helloslam小程序使用vim命令创建helloslam.cpp文件,并填写如下代码按esc键,输入:wq退出3编译helloslam程序3.1使用g++命令编译编译命令使用如下图此时利用ls命令可以看到ch1文件夹下多了一个a.out的可执行文件,其中a.out是该命令默认
guosuling
·
2018-11-18 13:50
SLAM学习
笔记:点云数据处理学习笔记【转载】
三维计算视觉研究内容包括:(1)三维匹配:两帧或者多帧点云数据之间的匹配,因为激光扫描光束受物体遮挡的原因,不可能通过一次扫描完成对整个物体的三维点云的获取。因此需要从不同的位置和角度对物体进行扫描。三维匹配的目的就是把相邻扫描的点云数据拼接在一起。三维匹配重点关注匹配算法,常用的算法有最近点迭代算法ICP和各种全局匹配算法。(2)多视图三维重建:计算机视觉中多视图一般利用图像信息,考虑多视几何的
hongyunzhi92
·
2018-07-23 12:11
SLAM笔记
计算机视觉方面的顶级会议以及
SLAM学习
需要关注的会议
ICCV的全称是InternationalComferenceonComputerVision,ICCV两年一次,与ECCV正好错开,是公认的三个会议中级别最高的。举办地点范围世界各地,ICCV上的文章看起来一般都比较好懂。2018年的ICCV于4月23-24,在美国Boston。CVPR的全称是InternaltionalConferenceonComputerVisionandPatternR
稻壳特筑
·
2018-05-15 20:28
SLAM
computer
vision
SLAM学习
总结笔记
//本文参考自http://www.slamcn.org/index.php/首页处,除了目录一样,其他都是阅读笔记目录1、SLAM介绍1.1什么是SLAM1.2SLAM与视觉里程计1.3SLAM与SfM2、主流开源SLAM方案2.1视觉传感器2.2激光传感器2.3视觉(Visual)与IMU融合(VI)2.4后端优化工具3、入门资料推荐4、泡泡机器人5、相关博客推荐6、机器人常用传感器7、机器人
拔出萝卜带出土豆
·
2018-05-04 20:56
ROS
base
g2o文章汇总
85255345g2o学习记录(2)官方文档的阅读及理解深入理解图优化与g2o:g2o篇https://blog.csdn.net/u014365862/article/details/52716538graph
slam
danmeng8068
·
2018-04-16 14:49
slam
SLAM学习
:相机标定(张氏标定)及opencv应用
具体的张氏标定过程参考1(获得初值):http://blog.csdn.net/PINBODEXIAOZHU/article/details/43373247参考2(极大似然估计):http://blog.csdn.net/pinbodexiaozhu/article/details/43374181张氏标定(单平面棋盘格的摄像机标定方法)目的:得到相机的内参、外参和畸变系数。过程:标定平面到图像
ChouPiJang
·
2018-02-20 10:46
OpenCV
SLAM
SLAM学习
:相机标定(张氏标定)及opencv应用
具体的张氏标定过程参考1(获得初值):http://blog.csdn.net/PINBODEXIAOZHU/article/details/43373247参考2(极大似然估计):http://blog.csdn.net/pinbodexiaozhu/article/details/43374181张氏标定(单平面棋盘格的摄像机标定方法)目的:得到相机的内参、外参和畸变系数。过程:标定平面到图像
ChouPiJang
·
2018-02-20 10:46
OpenCV
SLAM
SLAM学习
笔记 - ORB_SLAM2源码运行及分析
参考资料:DBow2的理解单目跑TUM数据集的运行和函数调用过程跑数据集不需要ros和相机标定,进入ORB_SLAM目录,执行以下命令:./Examples/Monocluar/mono_tumVocabulary/ORBvoc.txtExamples/Monocular/TUM1.yamlExamples/rgbd_dataset_freiburg1_xyz需要等一会,加载ORB词袋,然后会尝试
bo o ya ka
·
2017-11-09 21:00
数据库
c/c++
slam学习
-激光雷达学习-点云数据相关算法研究
【关键字】slam激光雷达点云算法引用http://blog.csdn.net/kuikuijia/article/details/46157207基础-标定各大标定方法对比?将雷达坐标系转换到车体坐标系的转换矩阵R和T检测路沿利用多线的数据进行融合,可以获取路沿信息更加准确算法基础基于激光雷达的SLAM算法(SimultaneousLocalizationandMapping)广泛用于场景点云地
scott_yu779
·
2017-10-22 19:06
SLAM学习
——建图(二)
1.对单目构建稠密地图的讨论像素梯度的问题在前面中,通过块匹配来获得匹配结果。块匹配的正确与否,依赖于图像块是否具有区分度,有明显梯度的小块将具有良好的区分度。对于梯度不明显的像素,将比较难估计其有效深度。立体视觉一个常见问题:对物体纹理的依赖性。像素梯度与极线的关系:像素梯度平行于极线方向以及垂直于极线方向。像素梯度垂直于极线:当沿极线寻找的时候,发现匹配程度是一样的,得到不到有效匹配。像素梯度
Hansry
·
2017-08-05 16:19
SLAM
《SLAM
14讲》个人提炼笔记
SLAM学习
——建图问题(一)
1.单目稠密地图的构建在上述中,我们讨论的是稀疏地图的构建,但是在实际的定位、导航和壁障过程中,我们需要有稠密地图。常见的单目稠密地图的构建思路有:1.单目:通过运动,得出运动轨迹,计算出运动的关系,通过三角测量计算出像素深度。(同下)2.双目:利用俩个相机的视差计算出像素的深度。(吃力不讨好,但是大型场合可能有比较好的效果。)3.RGBD:自带深度图,可直接得到像素的深度。(比较好,但是不适合大
Hansry
·
2017-08-03 10:25
SLAM
《SLAM
14讲》个人提炼笔记
SLAM学习
——回环检测
1.回环检测回环检测的关键,就是如何有效的检测出相机经过同一个地方这件事。它关系到我们估计的轨迹和地图在长时间下的正确性。由于回环检测提供了当前数据与所有历史数据的关联,在跟踪算法丢失后,我们还可以利用重定位。有些时候,我们把仅有前端和局部后端的系统称为VO,把带有回环检测和全局后端的系统称为SLAM。回环检测的方法:基于里程计的几何关系和基于外观。基于几何关系是说,当我们发现当前相机运动到了之前
Hansry
·
2017-07-28 00:29
SLAM
《SLAM
14讲》个人提炼笔记
SLAM学习
——后端(二)
1.投影模型和BA代价模型对于观测模型而言,我们可以简单的用以下的模型进行表示:z=h(x,y)上图中,P点是世界坐标系的点,中间的畸变模块满足:r2c=u2c+v2crc2=uc2+vc2把观测返程抽象出来,有:z=h(x,y),这里的x指代此时相机的位姿,即外参R,t,对应的李代数为ξξ。路边y即为三维点p,若观测数据(实际观测数据)为z,那么此次观测误差为:e=z−h(ξ,p)e=z−h(ξ
Hansry
·
2017-07-27 01:40
SLAM
《SLAM
14讲》个人提炼笔记
SLAM学习
——后端(一)
1.概述对于里程计而言,只有短暂的记忆。而在后端优化中,我们更加考虑一段更长时间内(或所有时间内)的状态估计问题。与之前略有不同,我们令xkxk为k时刻的所有未知量,包含了当前位姿与m个路标点,则写成表达式可为:xk=Δ{xk,y1⋯ym}xk=Δ{xk,y1⋯ym}现在考虑第k时刻的情况,希望用过去0到k的数据来估计现在的状态分布:P(xk|x0,u1:k,z1:k)P(xk|x0,u1:k,z
Hansry
·
2017-07-22 13:57
SLAM
《SLAM
14讲》个人提炼笔记
SLAM学习
——非线性优化
1.状态估计问题对于SLAM经典模型,我们知道是由一个运动方程和一个观测方程构成,如下方程:{xk=f(xk−1,uk)+wkzk,j=f(yj,xk)+vk,j{xk=f(xk−1,uk)+wkzk,j=f(yj,xk)+vk,j其中xkxk为相机的位姿,uu为输入数据,即为采集到的数据。假如我们在xkxk处观测到路标yjyj,对应到图像上的像素位置zk,jzk,j,那么我们的观测方程可以表示为
Hansry
·
2017-07-10 23:42
SLAM
《SLAM
14讲》个人提炼笔记
SLAM学习
——相机与图像
1.针孔模型一般而言,我们通过小孔成像来描述相机的成像原理,对其进行数学建模,如下图所示。其中O-x-y-z为相机坐标系,O’-x’-y’-z’为成像平面物理坐标系,o-u-v为像素坐标系,通过此几何模型,我们可以得到:Z/f=-X/X’=-Y/Y’,其中负号表示这个在成像平面上所形成的像是倒的,我们可以对该模型进行一定的处理,将负号去掉,得到以下模型:以上分别为真实成像平面、对称成像平面、归一化
Hansry
·
2017-07-10 16:36
SLAM
《SLAM
14讲》个人提炼笔记
SLAM学习
——李群与李代数
1.李群与李代数基础三维旋转矩阵构成特殊正交群SO(3),而变换矩阵构成了特殊欧氏群SE(3):其中特殊正交群SO(3)和特殊欧氏群SE(3),对加法不封闭,而对乘法封闭。则有:群,是一种集合加上一种运算的代数结构,主要满足有:封闭性、结合律、幺元、逆等性质。而李群,则是指具有连续光滑性质的群。对于李代数,考虑任意旋转矩阵R,会随着时间变化而变化,即为时间的函数:R(t)。则有:通过对其时间的求导
Hansry
·
2017-07-09 20:42
SLAM
《SLAM
14讲》个人提炼笔记
视觉
slam学习
资料
这篇博客就把我自己整理的资料贴出来,供大家参考。(1)orb_slam官网(网站最后有5篇论文,价值很高)http://webdiis.unizar.es/~raulmur/orbslam/(2)半仙居士blog(可以都看,很经典)http://www.cnblogs.com/gaoxiang12/(3)贺一加blog(monocularslam和navigation讲的很好可以看看)http:/
jaccen
·
2017-05-10 16:00
视觉
slam学习
资料整理
转自:http://blog.163.com/zhang_hu_0728/blog/static/24688806720170355714689/(1)orb_slam官网(网站最后有5篇论文,价值很高)http://webdiis.unizar.es/~raulmur/orbslam/(2)半仙居士blog(可以都看,很经典)http://www.cnblogs.com/gaoxiang12/(
Forrest-Z
·
2017-03-29 10:27
SLAM
SLAM学习
总结
最近一个月开始看关于slam的研究内容,现在把最近的看到的一些内容做个小结,加深印象,促使自己思考,其中可能有错误,希望大家不吝赐教。另外本博文虽然是我整理的,但是大部分都是别人的思想,版权归原作者所有,我已经在文中注明作者,在此向原作者表示感谢!SLAM(simultaneouslocalizationandmapping)也叫即时定位与导航,最早由HughDurrant-Whyte和JohnJ
xue_honolulu
·
2016-12-16 16:33
导航
SLAM
激光slam小结
SLam学习
网站整理
以下是一些SLAM相关网站整理:1.http://www.openslam.org/2.http://vision.in.tum.de/data/datasets/rgbd-dataset3.http://vision.ia.ac.cn/Students/gzp/monocularslam.html 4.http://www.mrpt.org/5.http://www-personal.acfr.
x_r_su
·
2016-08-19 16:00
Slam
[学习笔记]实时SLAM的未来及深度学习与SLAM对比
实时SLAM的未来及深度学习与SLAM对比TheFutureofReal-TimeSLAMandDeepLearningvs
SLAM学习
笔记作者:家辉,日期:2016-07-10CSDN博客:http:
gobitan
·
2016-07-10 18:13
10.人工智能
SLAM学习
SLAM学习
其实SLAM的学习也有很长一段时间了,不过因为自己的偷懒后拖延症,导致整整一个学期下来也没有出点成绩,所以决定给自己一点压力吧,每天都更新博客证明自己确实在做东西。
awww797877
·
2016-04-16 23:14
SLAM学习
笔记4: ORB-SLAM中BOW特征匹配
通常估计两帧之间的运动,我们需要分别计算两帧中的所有特征点,然后计算特征点之间的匹配关系.再通过对应特征点的移动情况来估计两帧之间的摄像机运动.这中间会涉及好很多问题,至今未能得到有效解决:提取特征点的类型:众所周知,对于自然场景图像,SIFT和SURF特征点具有非常好的特性,充分考虑了尺度,光照,旋转等因素的影响.然而SIFT,SURF特征的计算非常耗时,很难满足实时应用的需要.于是我们只能转而
Qinrui_Yan
·
2016-04-02 01:47
学习笔记
SLAM
SLAM
算法
机器人
CV
机器学习
ROS_RGB-D
SLAM学习
笔记--室内环境测试
ROS_RGB-D
SLAM学习
笔记RTAB-Map'sros-pkg.RTAB-MapisaRGB-DSLAMapproachwithreal-timeconstraints.先上英文参考:http:/
ZhangRelay
·
2016-01-08 21:00
indigo
indigo
ROS
pro
Xtion
liv
ROSindigo
[置顶] graph
slam学习
:g2o
1.graph_
slam学习
关于graph-slam的学习详细参照教材>2005版 第11章 图优化实际上是解一种非线性最小二乘问题,主要用于离线的slam优化,也有用在在线的方式的
zyh821351004
·
2015-06-16 17:00
Slam
graph_slam
上一页
1
2
3
4
5
6
下一页
按字母分类:
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
R
S
T
U
V
W
X
Y
Z
其他