SLAM算法总结——经典SLAM算法框架总结SLAM算法总结——经典SLAM算法框架总结SLAM算法总结——经典SLAM算法框架总结从研究生接触SLAM算法到现在也有两三年了，期间学习了很多经典的SLAM算法框架并写了一些相关的博客，本篇博客主要目的是想将这些博客进行一个简单总结用于查漏补缺。首先，按照我的理解，我梳理了如下一个思维导图，如果读者发现有什么需要补充或者纠正的欢迎随时交流：按照分类，我们先来讲讲视觉SLAM，视觉SLAM算法相对于激光SLAM算法的特点是信息更加丰富，由于是在二维提取特征点，因此通常可以达到更高的频率，但也正是因为信息丰富，因此更容易引入噪声，加上缺乏三维信息，导
前面我们已经说过了视觉SLAM的运动方程和观测方程。在以相机为主的视觉SLAM中，观测主要是指相机成像的过程。1、相机模型 常见的针孔相机模型如上图，在空间中有一点P，点P坐标为，点P经过光心O投影之后落在了物理成像平面O'-x'-y'上，成像点为P',坐标为，设物理成像平面到小孔的距离为f（焦距）。根据相似三角形可以得出： 公式中的负号表示所成的像是倒立的。由于相机输出的图像并不是倒像，而且为了便于操作，我们可以等价的将成像平面对称的放在相机前方，和三维空间点一同放在相机的同一侧。如下图所示： 这样我们就可以将公式中的负号去掉： 将X',Y'放在等式左侧得： 上式描述了点P和它的像之间的空间
1、安装evopipinstallevo--upgrade--no-binaryevo--user即可直接安装成功如果说需要更新则更新即可/usr/local/bin/python3.7-mpipinstall--upgradepip2、测试evo_trajeuroc2.txt--plot报错：[ERROR]EuRoCformatgroundtruthmusthaveatleast8entriesperrowandnotrailingdelimiterattheendoftherows(comma)出现这个问题的原因是生成的原始文件中偶尔存在空格等不是完全规范的tum结果文件解决办法：运行如下
EVO库是一个很方便的开源库（PythonpackagefortheevaluationofodometryandSLAM），evo是一个很好的测评工具，它可以根据时间戳将轨迹进行对齐，同时可以将不同尺度的轨迹按照你指定的标准轨迹进行拉伸对齐，并可以算出均方差等评定参数，用于测评slam算法性能。下载：github链接：https://github.com/MichaelGrupp/evo与其他公共基准测试工具相比，evo有几个优势：不同格式的通用工具用于单目SLAM等的关联、对齐、比例调整的算法选项。灵活的输出、绘图或导出选项（例如LaTeX绘图或Excel表格）一个强大的、可配置的CLI，
一，重要的坐标关系的解析四个坐标系：世界坐标系、相机坐标系、图像坐标系、像素坐标系。世界坐标系：机器人或相机运动过程中，肯定需要知道它的位置，因此需要设定世界坐标系，认定固定不动，作为参考坐标系，描述世界中的任何一点P（Xw,Yw,Zw)。相机坐标系：相机或机器人运动的一个坐标系，通过世界坐标系的变换（旋转R,平移T）计算得到。因此主要是将世界坐标系描述的点坐标P（Xw,Yw,Zw)转换成相机坐标系下描述P（Xc,Yc,Zc)，方便计算得到在成像坐标系的坐标。图像（成像）坐标系：描述点在图像坐标系的成像点位置。像素坐标：在相机中得到的是一个像素，因此主要将图像坐标系的点转换成像素坐标系下。1.
文章目录一、换源二、安装三方库2.1安装必要的依赖项2.2安装Pangolin2.3安装OpenCV32.4安装Eigen3三、安装ORB-SLAM2四、安装ORB-SLAM34.1安装OpenCV44.2安装ORB-SLAM3五、安装ROSMelodic六、ROS安装摄像头驱动七、ROS实时运行ORB-SLAM27.1相机标定7.2编译ORB_SLAM2ROS例子7.3实时运行ORB-SLAM2八、安装SLAM测评工具evo8.1安装evo8.2测试evo九、安装PCL和Octomap十、安装优化库：G2O、GTSAM和Ceres十一、安装Sophus在新安装的Ubuntu18.04系统中配
本人小白，寒假期间学习了一些ROS知识，试着在虚拟机搭建ORB_SLAM3环境并跑通数据集和摄像头，作本文以记录学习过程。所有用到的资源（软件安装包，镜像文件，库的源码文件都会放在最后百度网盘链接里）目录0.somethingyoushouldknow1.安装VMwareWorkstationPro和Ubuntu18.042.安装ROS3.安装ORB_SLAM3所需的各种库和依赖4.编译ORB_SLAM3并在非ROS环境下跑通数据集&跑自己录制的Video5.编译ORB_SLAM3ROS接口实时跑USB单目摄像头0.somethingyoushouldknow#你需要知道什么是终端，怎么唤起终
文章目录0前言1旋转向量间变换求解1.1欧拉角1.1.1欧拉角->旋转矩阵1.2旋转矩阵1.2.1旋转矩阵->欧拉角2变换矩阵求解2.1欧拉角+平移向量->变换矩阵2.2旋转矩阵+平移向量->变换矩阵0前言下面内容包含头文件如下：#include#include//核心矩阵运算库（Vector3d，Matrix3d）#include//稠密矩阵的代数运算（逆和特征值）#include//引入旋转平移（旋转矩阵、旋转向量、欧拉角、四元数、平移向量）#includeusingnamespacecv;usingnamespacestd;#defineDEG2RAD(x)((x)*0.01745329
DROID-SLAM和Raft(ECCV2020BestPaper)的通讯都是ImageNet的一作，给跪了。从densemapping的角度来看，DROID-SLAM采用”缝合预测光流+DBA+Upsample“的情况，极大的提高了一个预训练模型在各个场景的泛化性(相比于估深度的网络)。从Localization的角度来看，与特征点法VSLAM的区别是：信息来源上完整的使用了1/8降采样后的RGB信息，使用预训练模型预测光流从而丢掉了特征匹配过程；与直接法VSLAM的区别是：预测光流的模块可以支持全局BA，直接法VSLAM时间距离较大的两帧之间没法GlobalBA；正经的特征点法的BA流程是
