原创 vins-fusion代碼解讀[二] 慣性視覺里程結果與GPS松耦合

感謝“slam萌新”,本篇博客部分參考: https://blog.csdn.net/weixin_41843971/article/details/86748719 歡迎討論。 慣性視覺里程結果與GPS松耦合: github開源

原创 VINS_MONO getMeasurements()同步imu數據以及相機特徵點幀數據代碼邏輯

getMeasurements代碼邏輯 imubuf空 或特徵點buf空,返回結果 滿足兩個條件,才進行裝載數據: 1.當最新的imu幀(imu_buf.back()) 新過 圖像幀(feature_buf.front()+ td

原创 yolo_v3安裝試運行小記

github源代碼:https://github.com/qqwweee/keras-yolo3 Cuda下載地址:https://developer.nvidia.com/cuda-toolkit-archive Cudnn下載

原创 github使用小記錄

參考博客:https://blog.csdn.net/qq_43570369/article/details/93208776 下載git: https://git-scm.com/downloads git config --g

原创 pytorch安裝使用

pytorch官網:https://pytorch.org/get-started/locally/ conda添加清華源: conda config --add channels https://mirrors.tuna.tsi

原创 mysql win10安裝及簡單操作

MySQL Community Server 5.6.47版本 https://downloads.mysql.com/archives/community/ 下載下來爲一個壓縮包,解壓。 bin目錄添加進path中,命令窗口進入

原创 vins中的座標系變換及g2r函數

slam中經常會需要表示一個剛體的位姿。例如imu的位姿,相機的位姿。首先我們需要在一個剛體上架上一個座標系。這個座標系爲本體座標系。 怎麼架一個座標系?imu本身就有規定其本身的x,y,z軸的方向。相機一般認爲,z軸平行於鏡

原创 vins-迴環檢測單獨剝離運行

由於前端如果單純依靠視覺+imu作爲里程計,效果經常不穩定。因此最近做項目的過程中,將前端轉化爲以里程計(碼盤編碼器)來進行,相對比較魯棒。由於這個局部傳感器有累計誤差,因此長期運行不可靠,因此將vins-mono中迴環部分脫離出

原创 港科大vins-fusion初探

SLAM新手,歡迎討論。 關於vins_fusion的博客: 1.初探:https://blog.csdn.net/huanghaihui_123/article/details/86518880 2.vio主體: https:/

原创 C++基本知識點(三)

文章目錄1.extern和extern "C"(1)extern(2)extern “C”:2. 頂層const和底層const1 指向常量的指針:2 指針常量:引用和指針3.c++ 11新特性:4.getMemory()4.14

原创 leecode[一]

文章目錄938 二叉搜索樹的範圍和881. 救生艇844. 比較含退格的字符串692. 前K個高頻單詞268. 缺失數字 938 二叉搜索樹的範圍和 給定二叉搜索樹的根結點 root,返回 L 和 R(含)之間的所有結點的值的和。

原创 VINS代碼結構

文章目錄1.總體框架 1.總體框架 ar_demo:AR上層應用 benchmark_publisher:發佈數據集中參考值 camera_mode:各類相機模型 config:硬件、系統配置文件 support_files f

原创 vins-fusion代碼解讀[一] vio主體

SLAM新手,歡迎討論。 港科大vins-fusion代碼解讀[一] vins-fusion與vins-mono代碼結構有很大相似性。這次先看看vins_estimator節點內的內容。 1.程序入口: (1)vins_estim

原创 vins kidnap安裝使用

VINS如果視覺結果和IMU檢測的結果不匹配,容易出現跑飛的現象。例如一個人在電梯裏面,或者在相機前面遮了一塊幕布忘了掀開。結果不匹配,導致優化過程中CERES極有可能求解出一些跳動值不穩定值,導致整個系統不穩定運行,甚至掛掉。

原创 vins 邊緣化優化項

參考: https://www.cnblogs.com/feifanrensheng/p/10532918.html 優化過程的五個步驟: 1 imu直接積分預測新進來的幀的位置 2.三角化整個特徵點 3.ceres優化 4.滑動