原创 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:                                

原创 Pytorch教程:CIFAR-10分類

源代碼: # coding=utf-8 import torch import torchvision import torchvision.transforms as transforms transform = transforms

原创 SINS/GNSS組合導航:SINS系統及參數解算

1 SINS系統及原理 SINS 主要包括導航計算機、慣性測量單元。慣性測量單元包括陀螺儀和加速度計,加速度計用於測量載體相對於i系的加速度與引力加速度之差,簡稱爲比力,記爲。陀螺儀用於測量載體相對於i 系的旋轉角速度,記爲 。慣導的機械

原创 最優化七:一維搜索法

0 一維搜索法 最優化的目的是優化目標:,優化思路是迭代計算:                                                                       (1)計算優化方向 (2)計算優

原创 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

原创 SLAM後端:BA優化(Bundle Adjustment)

BA是一種優化方法,最小化重投影誤差優化PnP得到的R、t 應用場景:利用共視點的3D座標與相機內參矩陣,根據PnP計算位姿R、t(有誤差)。利用R、t及相機的投影模型可以計算出這些特徵點在第二幀圖像上的投影(有誤差),本身這些點在第二幀

原创 SINS/GNSS組合導航:導航座標系的定義及歐式變換

常用的座標系: 1 慣性座標系(i系) 慣性座標系(以下簡稱慣性系)是在空間靜止或做勻速直線運動的座標系,其爲慣性器件測量的參考基準。實際中,不存在完全理想的慣性系,通常以地球質心爲原點建立的地心直角慣性座標系 來代替理想慣性系。該座標

原创 SINS/GNSS組合導航:捷聯慣導靜基座下初始對準 (二)精對準

通過對陀螺和加速度計的輸出值進行處理,來估計計算地裏座標系和真實導航座標系之間的小失準角,從而校正粗對準獲得的捷聯矩陣的過程便是精對準。  精對準過程可以以開環的方式進行,即在估計、 的過程中,並不對失準角進行即時的校正,在對準結束後,一

原创 SINS/GNSS組合導航:組合導航設計(卡爾曼濾波)

SINS/GNSS組合導航將SINS輸出信息與GNSS信息進行組合,狀態量爲 卡爾曼濾波原理參照卡爾曼濾波(KF)與擴展卡爾曼濾波(EKF)講解與推導,核心就是五個遞推方程迭代遞推出系統狀態變量,SINS/GNSS組合導航的卡爾曼濾波原理

原创 SINS/GNSS組合導航:SINS誤差模型

SINS導航精度會受到多種誤差所帶來的影響,其中主要受到三個方面誤差所造成的影響,其一是在系統的組裝過程中會受到來自硬件精度,安裝誤差所帶來的影響;其二是捷聯解方法造成的算法誤差,例如初始值誤差,對中誤差等等;其三受到外界環境因素所造成的

原创 SINS/GNSS組合導航:捷聯慣導靜基座下初始對準 (一)粗對準(Matlab)

SINS初始對準要測定系統的姿態變換矩陣,分爲粗對準和精對準兩個部分,粗短準階段利用重力和地球自轉量粗略計算姿態矩陣;在精對準階段,不僅依靠前面的姿態矩陣測量值及重力和地球自轉量,還要依據慣性器件的輸出值和觀測量,用合適的濾波方法,對系統

原创 SINS/GNSS組合導航:捷聯慣導靜基座下初始對準 (二)一次修正粗對準

SINS初始對準要測定系統的姿態變換矩陣,分爲粗對準和精對準兩個部分,粗短準階段利用重力和地球自轉量粗略計算姿態矩陣;在精對準階段,不僅依靠前面的姿態矩陣測量值及重力和地球自轉量,還要依據慣性器件的輸出值和觀測量,用合適的濾波方法,對系統

原创 SLAM前端(里程計三):不同情況下的ORB特徵點匹配

ORBSLAM中對於特徵點的匹配在不同情況下有不同的匹配方式。分爲以下幾種: 1. 按照投影進行匹配 2. 按照bow向量節點進行匹配 3. 針對初始化地圖點的匹配 4. 針對單目三角化的匹配 5. 基於相似矩陣的匹配 6. 通過匹配來提