今天看了GMapping的论文，查了作者Giorgio Grisetti，发现作者真厉害，除了gmapping这样的经典之作，还有g2o，spa这些耳熟能详的SLAM框架！ 先上谷歌学术里paper列表（https://scholar.google.com/citations?view_op=list_works&hl=en&hl=en&user=yD-SFG4AAAAJ） 经典之作都是引用上千 其实仔
给一个角度来进行时间的插值 描述： //已知开始时刻的旋转角度,和起始时间 和结束时刻的旋转角度,和结束时刻的时间 //判断当前旋转 是否旋转过半,选择与起始位置还是终止位置进行差值计算，从而进行插值计算时间 输入： 输出： #include <iostream> #include <cmath> using name
参考： 视觉SLAM基础：算法精度评价指标（ATE、RPE） 写的很详细，暂时先不整理了。 有一个地方，要输出ape的旋转部分的时候，添加指令-r rot_part。
useSophus.cpp #include <iostream> #include <cmath> #include <Eigen/Core> //Eigen核心模块 #include <Eigen/Geometry>//Eigen几何模块 #include "sophus/se3.hpp" using namespace std; using namespace Eigen; /// 本程序演示sophus的基本用法 int m
1.旋转矩阵的正交性 P45下方注解第一条“旋转矩阵的正交性可直接由定义给出”，在查阅众多证明方法之后，我选择一种个人更容易理解的方法。 首先明确：正交矩阵即逆为自身转置的矩阵，即满足，因此要证明旋转矩阵的转置矩和逆矩阵是同一个矩阵。对于转置矩阵较为
从大四开始已经半生不熟地看了两遍书，现在依然什么都不懂。如果大佬们偶然翻到了并且认为哪里不对的话，随时接受批评。 第三讲 三维空间刚体运动 旋转矩阵 就是矩阵论中的基变换的过渡矩阵。在SLAM中就是一个描述两次运动间因为相机运动导致的参考坐标系变换的3*3矩阵。同时，它
1.运行报错 1.1.工程编译报错 视觉SLAM十四讲ch9代码关于fmt的报错 这个博客中和我遇到的错误一模一样，主要两个错误： 1.struct HessianTupleType<std::index_sequence<Ints...>> { error: 'index_sequence' is not a member of 'std' 这个博客中也说了主要是最新版的g2o使用的
2021SC@SDUSC （二）lvi-sam项目认识 一、SLAM简介 SLAM是Simultaneous Localization and Mapping（同时定位 + 建图）。 独立的定位问题是建立在地图已知的情况下的，单独的建图问题也是建立在定位已知的情况下的。当机器人不能得到环境地图，也不知道自身位姿的时候，SLAM问题就出现了。
配置方法参考： https://blog.csdn.net/jihaoweizzz/article/details/109824857 下述问题均为执行./build.sh时出现的报错。 1. LocalMapping.cc:628:49: error: no match for ‘operator/’ ORB_SLAM3/src/LocalMapping.cc:628:49: error: no match for ‘operator/’ (oper
一、一些基础网站 ROS官方网站，Ubuntu镜像下载： https://www.ros.org ROS官方网站，带有一些参考知识： http://wiki.ros.org Linux系统中一些插件下载方法教程： https://wiki.ubuntu.org.cn 古月居，ROS中的操作例程、案列： http://www.g
2021.10.2 ROS安装 cn/kinetic/Installation/Ubuntu - ROS Wiki 1.4 sudo apt-get install ros-kinetic-desktop-full ERR: gzip: stdout: No space left on device E: mkinitramfs failure cpio 141 gzip 1 原因：某个映像文件太大，root空间不够 解决： 1.df -hl 检查哪个空
在学习ros、slam的同时，不要被ubuntu出现的各种bug而消耗太多时间： 比如ubuntu系统更新、还源，有可能你找了网上的教程换了源，最后还是没有sudo apt-get update起来 1.制定好学习计划，把更多的时间放在理论、代码等消化环节 2.ubuntu由于是开源，内核、显卡、声卡、驱动、各种配置，当
前一段进行了激光雷达的三维建图，主要两步先是从三维点云转换为二维点云，然后利用二维点云进行建图。 第一次根据大佬的教程（见下面链接）全部走了一遍 还挺顺利，基本没遇到什么问题直接就能够建图，当时对办公室进行了一个简单的手持雷达建图，同时也对整个建图过程录了全部数据，后面庆
最近想学习一下无人驾驶SLAM方面的内容 代码测试 这里先基于kitti数据集，进行测试。之前博客中已经介绍过kitti数据集了。本博文就用这个数据集来进行各种经典方法的复现 VINS-FUSION 把vins-mono也配置一下好了~ GitHub - qintonguav/VINS-MonoContribute to qintonguav/V
之前一直想转到计算机视觉方向，但是理论太多，又需要经验，补了一些计算机视觉的课，VR/AR是一个很有意思的方向，但是普遍的培训或者工作机会都是需要unity经验 最近看到某大厂在招收移动SLAM工程师，感觉可以试一试，所以准备尝试一下看看，把整个事情记录一下，做出来就做出来，做不出来就放弃
DBoW3安装包直接使用高博slambook2-master中3rdparty的，然后进行编译，安装，过程如下： cd DBoW3软件包位置 mkdir build cd build cmake .. make -j2 //make-j后面数字视自己电脑配置而定，我一般就是j4 sudo make install 安装成功~ 若是运行程序报错，如下： 则将cmakelist中的libD
octomap, slam, path planning: how does it all fit together? 原文链接： octomap, slam, path planning: how does it all fit together? - ROS Answers: Open Source Q&A Forumhttps://answers.ros.org/question/221092/octomap-slam-path-planning-how-does-it-all-fit-to
Semantic Visual SLAM in Populated Environments Abstract1. INTRODUCTION2. RELATED WORK3. SYSTEM DESCRIPTIONA. Frontend processB. Backend processC. Camera RelocationD. People detection and human activity layer 4. EXPERIMENTS5. CONCLUSIONS总结 Abstract
本节目录如下： 29、3D地图点是怎么存储的？表达方式？ 以ORB SLAM2为例，3D地图点是以类的形式存储的，在类里面除了 存储3D地图点的空间坐标；同时还存储了3D点对应的（多个）图像点的描述子（其实就是BRIEF描述子），用来快速进行与特征点的匹配；同时还用一个map存储了
1.双系统搭建 请结合参考资料等文章，具体设备具体分析，这里概述关键步骤 使用设备：ThinkPad E570，i5-7200U，8G，128G的SSD+500G的HDD+光驱位120G的SSD，GTX950M，BIOS模式为UEFI 工具：8G的U盘，rufus工具，Ubuntu20.04 LTS镜像文件 参考资料： [1] https://www.cnblogs.com/masbay/articles/1074517
ORB视觉里程计的简单实现之四 更新内容均匀分布的ORB算法介绍实验结果 更新内容 使用ORB-SLAM2中的均匀分布的ORB特征点提取算法，对原始的特征提取算法进行替换，使得提取的特征点均匀分布在场景中。这样做的好处在于： 1、集中分布的特征点如果某一特征点出现错误的匹配，那么
目录 一、RGB-D SLAM是什么？ 二、D435i说明 三、RGB-D SLAM研究现状 1、现有的RGB-D SLAM方法 1.1 前端 1.2 后端 1.3 闭环检测 1.4 制图 2、优秀RGB-D SLAM介绍 2.1 KinectFusion 2.2 ElasticFusion 2.3 Kinitinuous 2.4 RGB-D SLAM2 2.5 RTAB Map(RTAB SLAM) 3、RGB-D SL
1.特征点法 简介：顾名思义，特征点法就是对图像提取特征，对图像特征进行跟踪的过程。 有关特征点的介绍： 特征点一般包括了两部分：关键点和描述子 常用特征点：SIFT,SURF,ORB等 关键点：通过对图像取不同响应值得到的，如各种角点：例如最出名的FAST角点（ORBSLAM中所使用的特征点类型），Harries
北京某自动驾驶公司： 1. 点云的聚类；求法向量；多个点集，求点集的法向量； 2. LM算法里面lamda的作用； 3. KD-Tree 4. 描述子距离的匹配的方法？除了暴力匹配还有什么方法？（提示：点对匹配的集中方式：暴力匹配；FLANN匹配；使用词袋模型进行初步筛选的匹配；重投影的匹配） 5. ORB-SLAM中特征匹配 6.
