原创 視覺慣性SLAM

IMU基本模型 IMU信號本身帶有誤差,爲了更好的在優化問題中使用IMU信號,一般需要建立IMU誤差模型(IMU對實際運動的觀測和實際的運動的值之間的誤差)。其中,最常用的是將其誤差模型簡化爲偏移和測量噪聲兩個部分。 則,角速度和加速度的觀

原创 kalibr相機標定和IMU標定

相機標定 打印標定板和對應的aprilgrid.yaml target_type: 'aprilgrid' #gridtype tagCols: 6 #number of apriltags tagRows: 6

原创 VINS-MONO Realsense d455運行記錄

安裝VINS-Mono 創建工作空間 mkdir -p ~/vins_mono_ws/src # 創建了第二層級的文件夾src,這是放ROS軟件包的地方 cd ~/vins_mono_ws/src # 進入工作空間,ca

原创 ORBSLAM2編譯出現的問題

ORBSLAM也編譯了好多次了,因爲後來出現別的算法使用的opencv的版本不同,總會出現問題。因此記錄一下。 首先一定要注意OpenCV的版本,我這裏使用的是3.4.16的版本,然後要和CmakeLists.txt裏面的OpenCV對應起

原创 Ubntu安裝OpenCV3.2

轉載https://www.bbsmax.com/A/qVdeEmegdP/

原创 Ubntu配置ohmyzsh

https://www.cnblogs.com/Ahtelek/p/Ubuntu-Configuration-Oh-My-Zsh.html

原创 聯合概率 邊緣概率 條件概率

聯合概率 聯合概率指的是包含多個條件且所有條件同時成立的概率 P(X=a,Y=b)或P(a,b)或P(ab) 邊緣概率 僅與單個隨機變量有關的概率稱爲邊緣概率,也可以理解爲是將某一項寫開 P(X=a)或P(Y=b) 聯合概率和邊緣概率的關係

原创 ORBSLAM3閱讀筆記1 System

目錄System構造函數TrackMonocular TrackRGBD TrackStereo保存位姿的一些函數 主要參考:https://blog.csdn.net/qq_41861406/article/details/1246577

原创 SLAM中的內外點

內外點之分最簡單的說法就是是否符合當前位姿的判斷:如果根據當前位姿,之前幀二維特徵點所恢復出的地圖點重投影到當前幀與實際的二維特徵點匹配不上了,那麼認爲這個是質量差的點是outlier,拋棄掉,如果能匹配上,那就是inlier,保留。 還

原创 最大後驗估計MAP

目錄貝葉斯定理最大似然估計MLE最大後驗估計MAP參考 貝葉斯定理 P(A)表示A發生的概率 P(B)表示B發生的概率 P(A|B)表示A在B條件下發生的概率 P(B|A)表示B在A條件下發生的概率 \[P(A|B)=\frac{P(B

原创 Sim3和Se3

SE(3) SE(3)是歐式變換。 例如 \[T=\begin{bmatrix} R & t \\ 0 & 1 \\ \end{bmatrix} \]歐式變換不改變物體的形狀和長度,可以理解爲就是把一個物體移到另一個位置 Sim(3) S

原创 SLAM代碼之單目建圖

思路 第一幀爲參考幀 對後面每一幀 找到極限方向 進行極線搜索 找出NCC最高的 高斯深度濾波 計算不確定度 高斯融合 dense_mapping.cpp #include<iostream> #include<vec

原创 BA實現之Ceres和G2O

Ceres實現代碼如下: #include <iostream> #include <ceres/ceres.h> #include "common.h" #include "SnavelyReprojectionError.h" usi

原创 位姿圖優化代碼

g2o原生位姿圖 #include<iostream> #include<fstream> #include<string> #include <g2o/types/slam3d/types_slam3d.h> #include<g2o/

原创 SLAM非線性優化

經過前面的學習,我們的問題變爲如何在有噪聲的數據中進行準確的狀態估計。 狀態估計問題 經典SLAM模型,由一個運動方程和一個觀測方程構成: \[\begin{cases} x_k=f(x_{k-1},u_k)+w_k\\ z_{k,j}=h