视觉SLAM总结——SuperPoint/SuperGlue视觉SLAM总结——SuperPoint/SuperGlue1.SuperPoint1.1网络结构1.2损失函数1.3自监督训练过程2.SuperGlue2.1Sinkhorn算法2.2网络结构2.3损失函数和网络训练视觉SLAM总结——SuperPoint/SuperGlue在我刚开始接触SLAM算法的时候听到过一个大佬讲：“SLAM其实最重要的是前端，如果特征匹配做得足够鲁棒，后端就可以变得非常简单”，当时自己总结过一篇传统视觉特征的博客视觉SLAM总结——视觉特征子综述，由于当时对深度学习了解不够，因此并没有涵盖基于深度学习的视
IntelRealSenseSDK2.0是跨平台的开发套装，包含了基本的相机使用工具如realsense-viewer，也为二次开发提供了丰富的接口，包括ROS，python,Matlab,node.js,LabVIEW,OpenCV,PCL,.NET等。这次使用的摄像头是D435i它可以提供深度和RGB图像，而且带有IMU本次流程就是想使用D435i摄像头进行SLAM的点云建图进行安装IntelRealSenseSDK，查看摄像头的数据Linux/Ubuntu-实感SDK2.0构建指南安装完成后，查看相机的深度和RGB图像realsense-viewer 然后这里下载驱动intel的各个摄像
IntelRealSenseSDK2.0是跨平台的开发套装，包含了基本的相机使用工具如realsense-viewer，也为二次开发提供了丰富的接口，包括ROS，python,Matlab,node.js,LabVIEW,OpenCV,PCL,.NET等。这次使用的摄像头是D435i它可以提供深度和RGB图像，而且带有IMU本次流程就是想使用D435i摄像头进行SLAM的点云建图进行安装IntelRealSenseSDK，查看摄像头的数据Linux/Ubuntu-实感SDK2.0构建指南安装完成后，查看相机的深度和RGB图像realsense-viewer 然后这里下载驱动intel的各个摄像
连载文章，长期更新，欢迎关注：写在前面第1章-ROS入门必备知识第2章-C++编程范式第3章-OpenCV图像处理第4章-机器人传感器第5章-机器人主机第6章-机器人底盘第7章-SLAM中的数学基础第8章-激光SLAM系统 8.1Gmapping算法 8.2Cartographer算法 8.3LOAM算法第9章-视觉SLAM系统第10章-其他SLAM系统第11章-自主导航中的数学基础第12章-典型自主导航系统第13章-机器人SLAM导航综合实战下面将从原理分析、源码解读和安装与运行这3个方面展开讲解Gmapping算法。8.1.1Gmapping原理分析首先
连载文章，长期更新，欢迎关注：写在前面第1章-ROS入门必备知识第2章-C++编程范式第3章-OpenCV图像处理第4章-机器人传感器第5章-机器人主机第6章-机器人底盘第7章-SLAM中的数学基础第8章-激光SLAM系统 8.1Gmapping算法 8.2Cartographer算法 8.3LOAM算法第9章-视觉SLAM系统第10章-其他SLAM系统第11章-自主导航中的数学基础第12章-典型自主导航系统第13章-机器人SLAM导航综合实战下面将从原理分析、源码解读和安装与运行这3个方面展开讲解Gmapping算法。8.1.1Gmapping原理分析首先
多源传感器GNSSINS视觉LiDAR组合导航与SLAM开源项目总结本文基于吴桐wutong微信公众号文章完善而来。开源代码总览名称传感器类型组合类型滤波方法备注RTKLIBG-KFGAMP、rtklibexplorerhttps://www.rtklib.com/GPSTKG-KFhttps://github.com/SGL-UT/GPSTkBNCG-KFppp_wizardKF_GINSG、I松组合KFOB_GINShttps://github.com/i2Nav-WHU/KF-GINS/blob/main/README_CN.mdPSINSG、I紧组合KFhttp://www.psins
多源传感器GNSSINS视觉LiDAR组合导航与SLAM开源项目总结本文基于吴桐wutong微信公众号文章完善而来。开源代码总览名称传感器类型组合类型滤波方法备注RTKLIBG-KFGAMP、rtklibexplorerhttps://www.rtklib.com/GPSTKG-KFhttps://github.com/SGL-UT/GPSTkBNCG-KFppp_wizardKF_GINSG、I松组合KFOB_GINShttps://github.com/i2Nav-WHU/KF-GINS/blob/main/README_CN.mdPSINSG、I紧组合KFhttp://www.psins
LOAM框架分析算法简介1激光里程计(高频率)1.1计算曲率1.2筛选特征1.3问题建模1.3.1损失函数1.3.2运动补偿1.4优化求解1.5定位输出2环境建图(低频率)2.1问题模型2.2PCA特征参考文献算法简介LOAM的整体思想就是将复杂的SLAM问题分为：1.高频的运动估计(10HZ)2.低频的环境建图(1HZ)。在运动估计中采用scan-to-scan方式，同时对点云进行了计算曲率，筛选线面特征,降低匹配数据量,通过点到线和点到面构造误差函数，在求解变换关系前，通过匀速假设构造线性插值关系，对点云进行运动补偿后用非线性优化LM求解匹配;在环境建图中采用map-to-map方式匹配，
LOAM框架分析算法简介1激光里程计(高频率)1.1计算曲率1.2筛选特征1.3问题建模1.3.1损失函数1.3.2运动补偿1.4优化求解1.5定位输出2环境建图(低频率)2.1问题模型2.2PCA特征参考文献算法简介LOAM的整体思想就是将复杂的SLAM问题分为：1.高频的运动估计(10HZ)2.低频的环境建图(1HZ)。在运动估计中采用scan-to-scan方式，同时对点云进行了计算曲率，筛选线面特征,降低匹配数据量,通过点到线和点到面构造误差函数，在求解变换关系前，通过匀速假设构造线性插值关系，对点云进行运动补偿后用非线性优化LM求解匹配;在环境建图中采用map-to-map方式匹配，
Citations：F.Wimbauer,N.Yang,L.vonStumberg,etal.MonoRec:Semi-SupervisedDenseReconstructioninDynamicEnvironmentsfromaSingleMovingCamera[C].2021IEEE/CVFConferenceonComputerVisionandPatternRecognition(CVPR).Nashville,TN,USA.2021:6108-6118.Keywords：Training,Costs,Three-dimensionaldisplays,Volumemeasureme
