《视觉SLAM十四讲》笔记(4-6)

这篇具有很好参考价值的文章主要介绍了《视觉SLAM十四讲》笔记(4-6)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

4 李群与李代数

为了解决什么样的相机位姿最符合当前观测数据的问题,可以构建出一个优化问题来求解最优的R和t。以达到误差最小。但是旋转矩阵自身是带有约束的(正交且行列式为1),这会引入额外的约束,导致优化变得困难。通过李群——李代数这种关系,希望把位姿估计的问题变为无约束的优化问题。

4.1 李群与李代数基础

4.1.1 群

群(Group)是一种集合加上一种运算的代数结构。把集合记作A,运算记作 ⋅ \cdot ,那么群可以记作G = ( A , ⋅ )。群要求这个运算满足如下条件:

  • 封闭性
  • 结合律
  • 幺元

李群是指具有连续(光滑)性质的群。SO(3)和SE(3)都是李群。

4.1.2 李代数的引出

4.1.3 李代数的定义

每个李群都有与之对应的李代数,李代数描述了李群的局部性质。
李代数由一个集合V、一个数域F和一个二元运算[ , ](又称李括号)组成。如果它们满足以下几条性质,则称( V , F , [ , ] )为一个李代数,记作g。

  • 封闭性
  • 双线性
  • 自反性(自己与自己的运算为零)
  • 雅可比等价

4.2 指数与对数映射

《视觉SLAM十四讲》笔记(4-6),《视觉SLAM十四讲》笔记,笔记

4.3 李代数求导与扰动模型

引入李代数的一大动机就是方便求导优化。

5 相机与图像

5.1 相机模型

5.1.1 针孔相机模型

《视觉SLAM十四讲》笔记(4-6),《视觉SLAM十四讲》笔记,笔记
对内参、外参是怎么来的,做了推导。

5.1.2 畸变

畸变包含两种:径向畸变和切向畸变。
径向畸变:由透镜形状引起,主要包括桶形畸变和枕形畸变。可以看成坐标点沿着长度方向发生了变化,也就是其距离原点的长度发生了变化。
切向畸变:由透镜和成像平面不严格平行引起。可以看成坐标点沿着切线方向发生了变,也就是水平夹角发生了变化。

5.1.3 双目相机

基线:两个相机的光圈中心都位于x轴上,它们的距离称为双目相机的基线。
视差:左右图的横坐标之差。视差越大,距离越近。

5.1.4 RGB-D相机

按原理可以分为红外结构光型和飞行时间法(ToF)型。文章来源地址https://www.toymoban.com/news/detail-618388.html

6 非线性优化

到了这里,关于《视觉SLAM十四讲》笔记(4-6)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 《视觉 SLAM 十四讲》V2 第 5 讲 相机与图像

    空间点 投影到 相机成像平面 前面内容总结: 1、机器人如何表示自身位姿 视觉SLAM: 观测 主要是指 相机成像 的过程 。 投影过程描述: 针孔 + 畸变 相机 内参 外参 像素坐标系 与 成像平面之间,相差了一个缩放 和一个原点的平移。 像素坐标系: 原点 o ′ o^{prime} o ′ 位

    2024年02月07日
    浏览(43)
  • 视觉SLAM十四讲|【五】相机与IMU时间戳同步

    Z [ u v 1 ] = [ f x 0 c x 0 f y c y 0 0 1 ] [ X Y Z ] = K P Z begin{bmatrix} u \\\\ v \\\\ 1 end{bmatrix}= begin{bmatrix} f_x 0 c_x \\\\ 0 f_y c_y \\\\ 0 0 1 end{bmatrix} begin{bmatrix} X \\\\ Y \\\\ Z end{bmatrix}= KP Z ​ u v 1 ​ ​ = ​ f x ​ 0 0 ​ 0 f y ​ 0 ​ c x ​ c y ​ 1 ​ ​ ​ X Y Z ​ ​ = K P 其中, K = [ f x 0 c x 0 f y c y 0 0

    2024年01月20日
    浏览(48)
  • 踩坑 Sophus 模板库安装及编译(视觉SLAM 十四讲第二版 ch4 )

    在《视觉slam十四讲》第二版中,第4、7、8、9、10讲都需要Sophus库,因此我们需要安装Sophus库,并且需要的是Sophus模板库,因此很多人因为安装了非模板版本导致报错,下面提供Sophus模板版本安装方式,以及对应不报错版本。 只要是 3.3以上的版本即可 官网进入,然后下载T

    2024年01月22日
    浏览(61)
  • 《视觉 SLAM 十四讲》V2 第 4 讲 李群与李代数 【什么样的相机位姿 最符合 当前观测数据】

    P71 什么样的相机位姿 最符合 当前观测数据。 求解最优的 R , t bm{R, t} R , t , 使得误差最小化。 群 : 只有一个(良好的)运算的集合。 封结幺逆 、 丰俭由你 李群 : 具有连续(光滑)性质的群。 在 t = 0 附近,旋转矩阵可以由 e x p ( ϕ 0 ∧ t ) exp(phi_0^{land}t) e x p ( ϕ 0 ∧ ​ t

    2024年02月07日
    浏览(48)
  • slam十四讲~环境安装以及问题记录

    参考资料: https://zhuanlan.zhihu.com/p/452256687 https://blog.csdn.net/qq_38629044/article/details/95355859 https://blog.csdn.net/Bonaventure/article/details/122835996 https://blog.csdn.net/weixin_44986556/article/details/108962861 https://blog.csdn.net/qq_38364548/article/details/122055690 https://blog.csdn.net/rong11417/article/details/103905794 http

    2023年04月15日
    浏览(36)
  • 视觉SLAM14讲笔记-第7讲-视觉里程计2

    直接法的引出 直接法是视觉里程计另一个主要分支,它与特征点法有很大的不同。 使用特征点法估计相机运动时,我们把特征点看作固定在三维空间的不动点。根据它们在相机中的投影位置,通过 最小化重投影误差 来优化相机运动。 相对地,在直接法中,我们并不需要知

    2024年02月09日
    浏览(33)
  • SLAM面试笔记(8) — 计算机视觉面试题

    目录 问题1:目标检测的算法分类 问题2:卷积神经网络的组成 问题3:输入层的作用 问题4:卷积层作用  问题5:卷积核类型 问题6:1×1卷积核作用 问题7:卷积核是否越大越好 问题8:棋盘效应及解决办法 问题9:如何减少卷积层参数 问题10:神经网络可视化工具 问题11:池

    2024年02月07日
    浏览(37)
  • 视觉SLAM14讲笔记-第10讲-后端1

    我们可以看到,前端视觉里程计能给出一个短时间内的轨迹和地图,但由于不可避免的误差累积,这个地图在长时间内是不准确的。所以怎么办?我们人类自己在现实世界中会记录自己走了多少米,还有就是使用路面的标志物来辅助定位,和机器人的方式也是相同的,即同时

    2024年02月09日
    浏览(31)
  • 视觉SLAM14讲笔记-第4讲-李群与李代数

    李代数 的引出: 在优化问题中去解一个旋转矩阵,可能会有一些阻碍,因为它对加法导数不是很友好(旋转矩阵加上一个微小偏移量可能就不是一个旋转矩阵),因为旋转矩阵本身还有一些约束条件,那样再求导的过程中可能会破坏要优化的矩阵是旋转矩阵的本质条件,所

    2024年02月10日
    浏览(32)
  • 视觉SLAM14讲笔记-第3讲-三维空间刚体运动

    空间向量之间的运算包括: 数乘、加法、减法、内积、外积。 内积 :可以描述向量间的投影关系,结果是一个标量。 a ⃗ ⋅ b ⃗ = ∑ i = 1 3 a i b i = ∤ a ∤ ∤ b ∤ c o s ⟨ a , b ⟩ vec{a} cdot vec{b}=sum_{i=1}^3{{a _i}{b_i}} =nmid a nmid nmid b nmid cos langle a,b rangle a ⋅ b = i = 1 ∑ 3 ​

    2024年02月11日
    浏览(46)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包