标签 SLAM 下的文章

本质矩阵可以在网上找到很多相关推导方式,可以很容易的推出其表达式为$\boldsymbol{E}=[\boldsymbol{t}]_\times \boldsymbol{R}=\boldsymbol{SR}$,那么如何根据这个本质矩阵推导出相机位姿?本文参考《计算机视觉中的多视图几何》,并且进行了仔细的推导,特此记录以备后用。

- 阅读剩余部分 -

解bundle adjustment,由于完全是自己实现这份代码还是存在很大的缺陷,残差只能降低20倍(但是,它至少能下降,能收敛...)。目前看来,仅仅能作为对整个BA过程理解的代码,实际应用概率不大。

- 阅读剩余部分 -

BA是SLAM中进行全局图优化的一个关键技术。SLAM主流架构是前端(视觉里程计)和后端(全局图优化)构成。里程计负责在轨迹中增量地构建地图,一般情况下里程计都会面临误差累积的问题。需要靠全局图优化调整机器人位姿与路标点位置将误差消除。

- 阅读剩余部分 -