參考文檔：3步曲 1-基礎卡爾曼濾波 2-基礎卡爾曼定位-多維情況 3-擴展卡爾曼濾波EKF – (更新09/9/4)
dx，dy的單位是“mm/pixel”。 f的單位是mm。 fx = f/dx, fy = f/dy，所以他們的單位是pixel。 圖像座標系（歸一化平面）和相機座標系的單位是mm。 像素座標系的單位是pixel。
OBVP問題推導0.引言1.推導2.code 0.引言 記錄一下。時間緊張，不整理了，直接上草稿紙。一元四次方程求解參考博客。 1.推導 2.code 代碼完全按照推導書寫，包括變量的命令。 double OBVP(Eigen
RGBDTAM: A Cost-Effective and Accurate RGB-D Tracking and Mapping System0.引言1.相關係統(direct RGB-D odometry)2. trackin
一元四次方程的求解0.引言1.方法一2.方法二3.結論 0.引言 在學習過程中需要求解一個一元四次方程。 由於帶有未知參數，本想使用MATLAB求解出它的解析解然後寫入C++進行計算。後來發現求解出來的解太長。 要是直接放入C+
Diagonal distance in 2&3 dimensions0.引言1.Diagonal distance in 2 dimensions2.Diagonal distance in 3 dimensions3.c++
3D JPS0.引言1.圖解Neighbor Pruning & Forced Neighbors 0.引言 記錄一下，不然久了可能就看不懂了。 1.圖解Neighbor Pruning & Forced Neighbors c
文章目錄標定的意義相機畸變模型Zhang式標定法雙目相機標定激光雷達標定激光雷達原理多線激光雷達毫米波雷達激光雷達標定 標定的意義 對於無人駕駛車輛路徑規劃，我們標定的意義是什麼？ 在定位與建圖中，我們都需要知道移動機器人自身的
SLAM中常用庫在CMakeLists.txt中的添加方法,不斷更新中… (1)Eigen include_directories( "/usr/include/eigen3" ) (2)PCL find_package(PCL
作爲視覺slam中4大步驟的最前端，視覺里程計（VO）是視覺前端，它根據相鄰圖像的信息估計出粗略的相機運動，給後端提供較好的初始值。而其主要實現方法，分爲特徵點法，直接法。其中特徵點法目前是主流，它運動穩定，對光照，動態
視覺里程計VO的搭建基本都會有以下幾個問題：怎麼管理地圖點，如何處理誤匹配，如何選擇關鍵幀。。。由簡到繁進行。 1. 視覺里程計分單目，雙目，RGB-D三大類。單目視覺相對複雜，RGB-D最簡單，沒有初始化，也沒有尺度問題
1.歐式變換 在視覺slam中，相機是運動定位，構圖的。而它是一個剛體運動，它保證了同一個向量在各個座標系下的長度和夾角都不會發生變化，這種變化稱爲歐式變換。例如: 手機拋向天空，在摔碎之前，只可能有空間位置和姿態的不同，而
前端提供特徵點的提取和軌跡，地圖的初值，而後端負責對所有這些數據進行優化。如果如同VO那樣僅考慮相鄰時間上的關鄰，那麼之前的誤差將不可避免地累積到下一時刻，這樣整個SLAM會出現累積誤差，長期的結果將不可靠。
背景介紹 卡爾曼濾波（Kalman filtering）一種線性系統狀態方程，對輸入輸出的觀測數據進行最優估計的算法。由於觀測數據中包括系統中的噪聲和干擾的影響，所以最優估計也可看作是濾波過程。故求解最優估計的算法就稱之爲卡
最近剛好有機會需要學習一下OpenVSLAM，在此記錄一下我的學習過程，一方面可以加強自己的記憶和理解，另一方面可以幫助一下有需要的同學。 我打算通過介紹算法原理和解析對應代碼的方式，將OpenVSLAM完整地學習一遍。通過這種方
問題背景 近來從事毫米波雷達的定位與建圖工作，想拓展下工作思路，研究autoware公司的激光點雲定位與建圖。期間正好發現autoware的激光點雲配准算法是NDT(Normal-Distributions Transform)，相比
