《视觉SLAM十四讲》笔记（4-6）

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)