博客地址：https://www.cnblogs.com/zylyehuo/参考资料ORB-SLAM3配置及安装教程ORB-SLAM3配置安装及运行环境配置Win11proVMware17ProUbuntu18.04Eigen3PangolinOpencv3.4.3ORB-SLAM3源码：https://github.com/UZ-SLAMLab/ORB_SLAM3效果图注意事项建议留有15-20G左右的内存如果是新系统，没有安装git，则需要先装gitsudoapt-getinstallgit如果是新系统的话，预装的vi编辑器不完整，用不了执行如下命令安装vi编辑器sudoapt-getre
目录12.0本章内容12.1概述 12.2双目稠密重建 12.2.1立体视觉12.2.2极线搜索与块匹配12.2.3高斯分布的深度滤波器12.2.4像素梯度的问题 12.2.5逆深度 12.2.6图像间的变换12.2.7并行化：效率的问题12.2.7其他的改进12.3RGB-D建图理论 12.3.1点云地图示例代码 12.3.2八叉树地图 12.0本章内容1.理解单目SLAM中稠密深度估计的原理2.了解几种RGB-D重建中的地图形式 本讲介绍建图部分的算法。在前端和后端中，我们重点关注同时估计相机运动轨迹与特征点空间位置的问题。然而，在实际使用SLAM时，除了对相机本体进行定位，
一、基于单目图像的3d目标检测这一部分是论文中最难理解的一章，作者的主要想法，是利用2d图像来生成3d的目标包围框（boundingbox），一方面这个思路本身就不是很好懂，另一方面，作者写这一章还是用的倒叙，显得更难理解了。3d包围框的定义对于本文的3d包围框，需要使用九个量来定义，可以分为三组：位置（三维场景下的xyz坐标），旋转矩阵R（rpy一共三自由度）以及三个方向上的尺度。简单来说，3d包围框本身是一个立方体，立方体的朝向就对应旋转矩阵R，立方体中心的坐标就是位置，立方体的长宽高对应的就是三个方向上的尺度，所以一共是九个自由度来描述一个空间物体的包围框。对于这篇论文，我们使用的是图像
目前ORB_SLAM3已经提供了地图保存功能。方法是在yaml文件中以下这行配置：System.SaveAtlasToFile:"map.osa"保存下来的地图可以在下次运行ORB_SLAM3时加载。然而，我经过搜索，没能找到关于.osa文件离线加载和可视化的方法，于是对ORB_SLAM3的代码进行了简单的修改，使其可以保存pcd格式的点云地图。修改代码的已发布至：GitHub-DioVei/ORB_SLAM3_with_save:Modifytheorb-slam3codetosavethekeypointsperframeandthemapinPCDformat.代码中仅使用到PCL基础的
《机器人SLAM导航核心技术与实战》第1季：第5章_机器人主机视频讲解【第1季】5.第5章_机器人主机-视频讲解【第1季】5.1.第5章_机器人主机_X86与ARM主机对比-视频讲解【第1季】5.2.第5章_机器人主机_ARM主机树莓派3B+-视频讲解【第1季】5.3.第5章_机器人主机_ARM主机RK3399-视频讲解【第1季】5.4.第5章_机器人主机_ARM主机Jetson-tx2-视频讲解【第1季】5.5.第5章_机器人主机_分布式架构主机-视频讲解第1季：第5章_机器人传感器先导课第1季：快速梳理知识要点与学习方法第2季：详细推导数学公式与代码解析第3季：代码实操以及真实机器人调试答
上一章简单介绍了VEnus中几个主要函数的作用，这里详细展开看一下每个函数的具体思路，通过研究具体的代码我们可以简单了解VEnus中对于反光柱定位的具体流程。1、IntensityExtraction::ExtractIntensityExtraction::Extract(VEnus::Sensor::IntensityRange2D&cloud,VEnus::Sensor::IntensityRange2D&candidate_cloud)Extract函数的主要作用是从激光点云中提取出高反点，然后存储到对应的容器中。输入的数据类型为VEnus::Sensor::IntensityRang
点云PCL免费知识星球，点云论文速读。文章：RGB-L:EnhancingIndirectVisualSLAMusingLiDAR-basedDenseDepthMaps作者：FlorianSauerbeck，BenjaminObermeier，MartinRudolph编辑：点云PCL代码：https://github.com/TUMFTM/ORB_SLAM3_RGBL.git欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。未经博主同意请勿擅自转载。公众号致力于点云处理，SLAM，三维视觉，高精地图等领域相关内容的干货分享，欢迎各位加入，有兴趣的
目录前言一、TUM数据集1.下载地址2.真实轨迹文件的查找3.轨迹格式二、KITTI数据集1.下载地址2.真实轨迹文件的查找三、EuRoC数据集1.下载地址2.真实轨迹文件的查找3.轨迹格式前言在SLAM的学习过程中，不可避免的会用到这些数据集来运行程序，并且还会将运行轨迹与相机真实轨迹作对比，下面就介绍SLAM常用数据集TUM，KITTI，EuRoC数据集的下载地址与真实轨迹文件的查找。一、TUM数据集1.下载地址TUM数据集下载地址2.真实轨迹文件的查找以rgbd_dataset_freiburg1_desk为例，打开rgbd_dataset_freiburg1_desk文件夹下面的gro
目录简介直接线性变换P3P非线性优化：最小化重投影误差求解PNP代码实现简介 PNP(Perspective-n-Point)描述了当知道n个3D空间点及其投影位置时(2D)，如何估计相机的位姿。如果两张图像中的一张特征点的3D位置已知，那么最少只需要3个点对就可以估计相机的运动。如果使用双目相机或者RGB-D相机(深度相机)，则可以直接使用PNP来估计相机运动，如果是单目相机，则需要初始化。3D-2D方法不需要使用使用对极约束，又可以在较少的点中获得较好的运动估计，是一种最重要的姿态估计方法。 PNP问题有很多求解方法，例如P3P，直接线性变换（DLT），EPNP，UPN
1.基于激光雷达的SLAM算法：HectorSLAM、Gmapping、Cartographer、KartoSLAM、HornSLAM等； 激光雷达传感器作为主要感知设备来进行SLAM。HectorSLAM是一种快速、实时的2DSLAM算法；Gmapping是一种基于概率的2D和3DSLAM算法；Cartographer是一种在2D和3D环境中构建高质量地图的SLAM算法；KartoSLAM是一种2D和3DSLAM算法；HornSLAM是一种2DSLAM算法。2.基于视觉的SLAM算法：ORB-SLAM、LSD-SLAM、PTAM、SVO、DTAM等； 摄像头作为主
