项目地址:https://cs.adelaide.edu.au/~tjchin/apap/ 其中MDLT是两张图片的拼接,调试过程基本很简单,不再赘述; 对于BAMDLT多图拼接代码,现将出现的问题及解决办法整理如下:
ceres库是算法优化库 由于平时会经常用到这些库,每次找网址都觉得麻烦,特此整理记录一下 官方教程: http://www.ceres-solver.org/installation.html# 安装依赖 # CMake sudo apt-get install cmake # google-glog + gflags sudo apt-get install libgoogle-glog-dev # BLAS & LAPACK sudo apt-get install libatlas-bas
原文链接:https://mp.weixin.qq.com/s/VNJGtNFW6kZ-n8mY1yrH0Q
OpenMVS是三维重建的一个成熟开源框架,综合重建效果和性能,该算法是目前MVS(Multi-View Stereo)相关的所有开源库中最好的一个。该算法的框架如下所示
工友在机器上面编译了好几天也失败了,后面又换了MAC(笑死M1的片子,开虚拟机编译)又是报错的一天。
1.APAP论文链接: https://cs.adelaide.edu.au/~tjchin/apap/. 可以下载到源码,就是速度慢点。
作者:Andela Juric´, Filip Kendeš, Ivan Markovic´, Ivan Petrovic
BA,即Bundle Adjustment,通常译为光束法平差,束调整,捆绑调整等。但高翔博士觉得这些译名不如英文名称来得直观,所以保留英文名,简称BA。
Cartographer是谷歌新開源的通用的2D和3D定位與構圖同步的SLAM工具,並提供ROS接口。
本文将介绍slurm,一个 Linux服务器中的集群管理和作业调度系统。并对其基础命令和运行方式进行实战演练。
不论是刚入门SLAM的小白,还是导航相关专业的同学,都对“非线性优化”这个词不陌生,如果你说你没听过这个词,那“因子图”一词总该略有耳闻吧,如果还是不知道,那就只能拿SLAM14讲敲你了。
本文作为《彻底搞懂视觉-惯性SLAM:VINS-Fusion原理精讲与源码剖析》课程补充材料
这篇文章作为基础文章也是本文的学习和理解的过程,在将会给出更多的注释和“废话”帮助自己理解。同时有错误的话欢迎各位朋友留言指教。
bundle adjustment,中文名称是光束法平差,经典的BA目的是优化相机的pose和landmark,其在SfM和SLAM 领域中扮演者重要角色.目前大多数书籍或者参老文献将其翻译成"捆绑调整"是不太严谨的做法.bundle adjustment 最早是19世纪由搞大地测量学(测绘学科)的人提出来的,19世纪中期的时候,geodetics的学者就开始研究large scale triangulations(大型三角剖分)。20世纪中期,随着camera和computer的出现,photogrammetry(摄影测量学)也开始研究adjustment computation,所以他们给起了个名字叫bundle adjustment(隶属摄影测量学科前辈的功劳)。21世纪前后,robotics领域开始兴起SLAM,最早用的recursive bayesian filter(递归贝叶斯滤波),后来把问题搞成个graph然后用least squares方法求解,bundle adjusment历史发展图如下:
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
2019-2020-2学期机器人工程专业需要开设SLAM技术课程,使用教材为视觉SLAM十四讲从理论到实践第二版。
Ceres是一款非线性优化库,广泛的应用于SLAM问题中的BA问题等求解,但并不局限于SLAM问题,而是更加通用的一个非线性优化库,由Google研发并在其项目中被使用,质量和性能可以保证。相比于g2o(另一款用于SLMA问题的优化库),具有更丰富的API文档和官方教程,更为推荐使用。
在上一篇文章中,成功将三维重建扩展到了任意数量的图像,但是,随着图像的增多,累计误差会越来越大,从而影响最终的重建效果。要解决这个问题,需要用到Bundle Adjustment(下文简称BA)。 BA本质上是一个非线性优化算法,先来看看它的原型 min x ∑ i ρ i ( ∣ ∣ f i ( x i 1 , x i 2 , . . . , x i k ) ∣ ∣ 2 ) \min_x \sum_i{\rho_i(||f_i(x_{i1}, x_{i2}, …, x_{ik})||^2)} xmini∑ρi(∣∣fi(xi1,xi2,...,xik)∣∣2) 其中 x x x是我们需要优化的参数, f f f一般称为代价函数(Cost Function), ρ \rho ρ为损失函数(Loss Function)。其中 f f f的返回值可能是一个向量,因此总的代价取该向量的2-范数。 对于三维重建中的BA,代价函数往往是反向投影误差,比如我们需要优化的参数有相机的内参(焦距、光心、畸变等)、外参(旋转和平移)以及点云,设图像 i i i的内参为 K i K_i Ki,外参为 R i R_i Ri和 T i T_i Ti,点云中某一点的坐标为 P j P_j Pj,该点在 i i i图像中的像素坐标为 p j i p_j^i pji,则可以写出反向投影误差 f ( K i , R i , T i , P j ) = π ( K i [ R i T i ] P j ) − p j i f(K_i, R_i, T_i, P_j)=\pi(K_i[R_i\ \ T_i]P_j) – p_j^i f(Ki,Ri,Ti,Pj)=π(Ki[Ri Ti]Pj)−pji 上式中的 P j P_j Pj和 p j i p_j^i pji均为齐次坐标,其中 π \pi π为投影函数,有 π ( p ) = ( p x / p z , p y / p z , 1 ) \pi(p)=(p_x/p_z,\ p_y/p_z,\ 1) π(p)=(px/pz, py/pz, 1). 而损失函数 ρ \rho ρ的目的是为了增强算法的鲁棒性,使得算法不易受离群点(Outliers)的影响,常见的有Huber函数、Tukey函数等,这些函数的图像如下
Ceres作为一个优化算法库,在许多领域中有着至关重要的作用,比如slam系统中的优化问题-集束调整BA,就可以通过Ceres去实现,官方文档地址:http://ceres-solver.org/nnls_tutorial.html#bundle-adjustment
虽然现在的轮子很多,但我们在使用过程中会碰到很多问题,而我们经常不知道从哪里下手,说明轮子不是你造的你不熟悉。因此我们不仅要重复造轮子,还要好好造,深入造,才能用好轮子,把轮子转化成自身的力量。同样的道理适用于这篇文章。虽然网上BA的资料无穷无尽,但我们还是要好好深入理解其原理,并且一定要通过实践才能懂得其中原理。在“第一届SLAM论坛”中沈劭劼老师的发言中,他提到团队的成员都要手写BA,既然大佬都这么做,我们就照做吧。这篇文章是我手写BA的笔记,主要从原理推导入手,把公式都写一遍,然后通过g2o、ceres和eigen三种方式来编程实现,以便加深对BA的理解。
当机器人处在照明条件不足且无法使用GPS的地下(SubT)环境中,其自主导航是一项极具挑战性的任务,这也促进了姿势估计和建图算法的研究。
配置信息 显示当前的Git配置 git config --list 配置当前的用户信息 git config --global user.name 名称 git config --global user.email 邮箱 配置当前项目区分大小写 git config core.ignorecase false 下载项目 git clone xxx.git 分支 列出本地分支 git branch 列出远程分支 git branch -r
Nikolaus Demmel 慕尼黑工业大学 demmeln@in.tum.de
本文主要实战应用这篇文章的代码,https://github.com/hku-mars/mlcc。我们知道目前大部分的开源方案要实现相机和激光雷达之间的外参标定需要两者有共同的视角。而本文则实现了即便相机与激光雷达在同一时刻没有共同视角的情况下,通过点云重建和位姿的优化不仅实现了多个激光雷达的外参标定,也完成了相机和激光雷达的外参标定。本文详细记录使用的流程和可能遇到的问题。
该部分函数完成激光雷达点云数据的读取,移除无效点云,计算每条扫描线点云中每个点相对于该条扫描线起始点的时间间隔(用于后续点云去几遍),根据俯仰角判断点云的扫描线id, 并根据周围点的坐标计算每个点的曲率,根据曲率将所有的点云分为sharp点,lesssharp点,flat点以及lessflat点,最后将四类点打包发送到odometry模块
众所周知最近在和工友搞SLAM,好家伙工友M1版的MAC+虚拟机跑ROS(其实一开始在英伟达的XAVIER上面跑来着,无奈空间不够,寄了),总之就是大概一周内都在调试(断断续续的那种),今天是工作日,我也实在看不下去了,也投入到了这个令人头秃的工作中,事实证明这个东西是真的熬人。
Slam Toolbox软件包基于LaserScan消息的形式组合来自激光测距仪的信息,并从odom-> base链接中进行了TF转换,从而创建了空间的二维地图。该软件包将允许完全序列化重新加载的SLAM地图的数据和姿态图,用于持续建图、定位,合并或进行其他操作。允许SLAM Toolbox在同步(即,处理所有有效的传感器测量,无论是否滞后)和异步(即,在可能的情况下处理有效的传感器测量)模式下运行。
另外,下面的算法都使用hdl_graph_slam给到的室外数据集做了结果的测试,建模的图像如下所示。由于没有找到轨迹的真实值,没有对轨迹误差做比较分析。
这不是闹着玩儿的操作系统了,这可是面向商业的正式的操作系统(一个 Linux 发行版)。官网地址在这里
可以看到涉及的知识面还是比较广的。这里放出一张SLAM圈子里喜闻乐见的表达悲喜交加心情的漫画图,大家可以感受一下:
文章:DLL: Direct LIDAR Localization. A map-based localization approach for aerial robots
上篇简单的写了一下VINS-Mono这个框架依赖的技术框架,这篇文章简单的展示一下它的成果,以及系统安装的几种方式。
allan方差是一种时域分析技术,一般用于仪器的噪声研究,是公认的IMU参数分析方法,其主要思路是利用不同相关时间内所表现的不同特征来描述各种噪声源,其噪声模型为:
LAPACK 是用 Fortran 90 编写的,提供用于求解联立线性方程组、线性方程组的最小二乘解、特征值问题和奇异值问题的例程。还提供了相关的矩阵分解(LU、Cholesky、QR、SVD、Schur、广义 Schur),以及相关计算,例如 Schur 分解的重新排序和估计条件数。处理密集矩阵和带状矩阵,但不处理一般稀疏矩阵。在所有领域,都为单精度和双精度实数和复数矩阵提供了类似的功能。
在本教程中,您将安装Docker,并学会使用容器和镜像,将镜像推送到Docker存储库。
Redis 是内存中的键值存储,以其灵活性、性能和广泛的语言支持而著称。 在本指南中,我们将演示如何在 Ubuntu 18.04.6服务器上安装和配置 Redis。
本篇文章会尽可能详细的介绍如何在相对廉价的笔记本上搭建高性价比的 Linux 学习环境,让学习和工作都轻松和高效一些。尤其是针对国内网络环境下,如何快速的完成系统的安装和基础配置。
Linux越来越容易上手和使用,其用户越来越多,如何在Linux下测试CPU/GPU等性能呢?同时,基准测试和压力测试方法通常用于评估电脑的性能,这些测试还有助于发现仅在系统承受重负载时才观察到的硬件问题和系统异常。
Docker是一个简化容器中应用程序进程管理过程的应用程序。容器允许您在资源隔离的进程中运行应用程序。它们与虚拟机类似,但容器更便携,更加资源友好,并且更依赖于主机操作系统。
15年底工作进入正轨,如今已经18年了,时间好快,过去的2年多,用一个词概括就是“狂躁”,折腾新课,到处出差学习,18年开始要专注于智能机器人的教学与科研工作了,三字目标:慢、简、静。欲速不达,精简目标,宁静致远。
每次文摘菌想起上班上学,总是会想哼这首歌,尤其是不放假的节日,比如情人节(让我看看谁还单身,噢原来是我那没事了)。
官网网址:https://www.nvidia.com/Download/index.aspx?lang=en-us
由于 Thinkbook16+ 原装的无线网卡是瑞昱的 RTL8852,装上 ubuntu 22.04 之后会因为没有驱动而无法使用 wifi 功能,这个问题一度困扰了我好长时间,由于没有网线,在此期间只能用手机的 USB 热点共享功能把手机当成 ubuntu 的无线网卡来用。
号外,号外。。。深圳风火轮科技又推出新品啦--youyeetoo X1。youyeetoo X1 是一款由深圳风火轮科技推出的x86架构单板电脑(SBC),可运行全功能版的windows和Linux, 具备低成本,高性能的特点(11代Intel CPU N5105),它主要面向AIOT和自动控制 市场,尺寸只有手掌大(115 * 75mm),接口却非常丰富,内置了3路串口UART,2路HDMI,6路USB口、1路I2C、1路SPI、5路GPIO等 AIOT物联网常用的接口,还能接7寸MIPI触摸屏。
(5)选择 Linux à Red Hat Enterprise Linux 6 64位 –> 下一步
领取专属 10元无门槛券
手把手带您无忧上云