Slam筆記----變換矩陣的意義

原創 宫商角徵羽666 2020-02-24 11:56

我們在計算相機位姿的時候經常會遇到座標系向量，點的求解等問題，有時候我會忘記R的轉置，有時候t的方向總是弄錯，我最近把這個問題好好想了下，記錄一下．

高中有一個知識:如果座標系向右移動一定距離,那就相當於這個座標系下的點朝相反方向平移同樣的距離.

這裏也一樣,我們經常說的Twc是對於座標點來說的,①i三維點從cam到world:{_{}^{w}{X}={R_{wc}}{^{c}{X}}+{^{w}t_{wc}}};②對於座標系來說,R依舊是c到w,但是t是從w到c,在w座標系下,剛好是世界座標系下的相機位置;③對於相機位姿來說,是相機在世界座標系下的位置,也就是世界座標系指向相機座標系,注意是座標系之間的變換.

所以主要是這三點吧,求解R和t的時候一般都是接的Twc

發表評論
所有評論
還沒有人評論，想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章

cartographer編譯過程遇到未定義的dlclose@@GLIBC_2.2.5

1. 使用的安裝過程如下： 先裝下這下面幾個依賴 sudo apt-get update sudo apt-get install -y python-wstool python-rosdep ninja-build 1. carto

莫奈的老旧三轮车 2020-07-08 09:14:34

SLAM：：g2o安裝和使用

g2o安裝和使用 安裝依賴 sudo apt-get install libeigen3-dev libsuitesparse-dev qtdeclarative5-dev qt5-qmake 下載源碼 git clone https

dieju8330 2020-07-08 10:35:13

VSLAM：：[手寫VIO_課堂筆記]第三講(上)_基於優化的IMU與視覺信息融合(最小二乘問題)

1. 第三講(上)_基於優化的IMU與視覺信息融合(上) 第三講(上): (1)最小二乘問題的求解推導 (2)其中有LM算法的相關推導以及魯棒核函數的推導 1.1. 最小二乘與非線性優化 1.1.1. 最小二乘

dieju8330 2020-07-08 10:35:13

VSLAM：：[手寫VIO_課堂筆記]第一講_預備知識

1. 四元數的基本運算 主要運算 四元數乘法 乘法性質 滿足結合律 不滿足交換律 乘積的模等於模的乘積 乘積的逆等於各個四元數的逆以相反的順序相乘 其他運算 *四元數部分參考：旋轉矩陣、歐拉角、四元數理論

dieju8330 2020-07-08 10:35:13

利用Robosense 16線雷達跑cartographer 2D

首先，根據不同的雷達，瞭解雷達發佈的點雲消息。（IMU也是一樣，瞭解IMU發佈的點雲topic）。 本文使用的是Robosense 16線激光雷達，暫時未使用IMU（建議6軸，再加上GPS定位精度會高很多）發佈PointCloud2類型的

合工大机器人实验室 2020-07-07 21:47:01

Cartographer編譯安裝

官網安裝教程：https://google-cartographer-ros.readthedocs.io/en/latest/compilation.html 不過由於網絡問題，可能在下載的時候會下載中斷。我會上傳我自己下載的到資源處，

合工大机器人实验室 2020-07-07 21:46:51

SLAM前端：ICP（Iterative Closest Point）

ICP算法是點雲配准算法，給出兩組點雲，可以計算出兩組點雲的位姿關係R、t。問題數學表達爲： 已知兩組點雲：                                                            求R、t使

共和国之辉 2020-07-07 14:29:18

SLAM 整體性總結

VSLAM方法框架： 整個SLAM大概可以分爲前端和後端 ，前端相當於VO（視覺里程計），研究幀與幀之間變換關係。首先提取每幀圖像特徵點，利用相鄰幀圖像，進行特徵點匹配，然後利用RANSAC去除大噪聲，然後進行匹配，得到一個pose信息（

追求卓越583 2020-07-07 14:11:01

SLAM前端：PnP（一）DLS、P3P

PnP是一類問題的統稱，是指通過多對點的3D位置及2D投影座標，來估計相機位姿R、t。 場景一：視覺slam中在初始化後可以知道空間中一些點在世界座標系下的座標，在下一幀圖像進行特徵點匹配後，利用這些特徵點的3D座標及2D像素座標，PnP

共和国之辉 2020-07-07 13:52:13

SLAM前端：本質矩陣、基礎矩陣、單應矩陣

本質矩陣描述了相機內參已知的情況下同一個點不同視角下的關係，5自由度。即已知同一個點在兩幀圖像下的座標，兩個座標、相機內參、本質矩陣滿足對極約束條件（1-1）。 基礎矩陣描述了同一個點在不同視角下的關係，7自由度。 單應矩陣描述了同一平面

共和国之辉 2020-07-07 13:52:13

視覺SLAM：視覺SLAM中的李羣與李代數、左乘擾動模型

爲什麼引入李羣與李代數？ SLAM中對矩陣求導數的應用場景？什麼情況下用到李代數左乘擾動模型求導數？ 爲什麼不能用李羣求導？ 李羣與李代數的關係？ 李代數左乘擾動的理解？ 0 爲什麼引入李羣與李代數？ slam中後端優化需要用到求解最小二

共和国之辉 2020-07-07 13:52:12

SLAM前端（里程計二）：ORB特徵點匹配

（1）構建圖像高斯金字塔 將圖像進行降採樣8次，每次尺度縮小1/1.2，如下圖所示： 採用高斯金字塔的目的是解決特徵點尺度不變性，並且可以提取更多的關鍵點。高斯金字塔每個尺度代表了不同的距離，即低分辨率的圖像可以看做從遠處拍攝圖像的一部

共和国之辉 2020-07-07 13:52:11

SLAM前端：對極幾何、三角測量

對極幾何在ORBSLAM初始化過程中求解兩幀的R、t，輸入兩幀圖像的多對匹配點，對極幾何計算得到R、t 三角測量在單目ORBslam初始化過程中計算初始化點雲的3D座標，輸入兩幀的R、t+匹配特徵點的像素座標，輸出點的3D座標 1 對極幾

共和国之辉 2020-07-07 13:52:11

SLAM後端：位姿圖優化（Pose Graph）

BA優化時間跟特徵點數量有關，特徵點數量越多BA消耗時間越長。折衷做法是，在進行幾次優化後，將特徵點位置固定，不再優化特徵點，只優化相機位姿。位姿圖優化是一中方法。場景如下：                                

共和国之辉 2020-07-07 13:52:11

SLAM前端（里程計一）：ORB特徵點提取

ORB特徵 = Fast+描述子，Fast判斷該點是不是特徵點，描述子計算該特徵點的方向信息。 1 Fast角點 （1）Fast規則 如下圖，遍歷每個像素點，檢測在像素點附近的圓形窗口上的16個像素的灰度，如果有n個連續點都比中心像素的灰

共和国之辉 2020-07-07 13:52:10