机器人定位

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 高斯牛顿求解流程 有如下最小二乘系统，对应的模型如下所示： $$ \xi = \underset{\xi}{argmin}{1\over 2}\s

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 以双目IMU为例，即以stereo_inertial_tum_vi为入口，在该函数中通过LoadIMU()加载IMU数据至vImuMeas容器中。

在ORB-SLAM中的特征提取和描述子计算，调用Opencv库函数完成，在脱离Opencv的过程中，遇到的BUG和问题简单的记录一下。

为了保证激光雷达的360°环境覆盖，准备在车体上安装三个雷神16线的激光雷达，以前二后一的布局分布，大致位置情况如下所示

本篇博客主要是记录自己 KF 的学习过程，其中遇到的疑惑，和自己的理解。如有错误欢迎指正交流～ 参考相关资料 基础理论介绍： 扩展卡尔曼滤波EKF

对于相机位姿的变换可以通过旋转矩阵或者四元数进行表示， 除了旋转矩阵外，还需要**仿射矩阵**，仿射矩阵是在经过线性变换后进行平移变换。

网上几乎都是用矩阵运算来求解正交最小二乘，未找到直接推导的过程，于是自己尝试推导一下。点到直线距离误差求误差函数极值点。

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 对于一个变换矩阵 $T$，具体的定义因人而异，例如一个变换 $T_{wc}$，代表了从相机坐标系到世界坐标系的变换，但是其基准（base）坐标系有

之前已经简单的实现过线性卡尔曼滤波：滤波融合（一）基于C++完成一个简单的 卡尔曼滤波器 线性的系统和测量模型 那么对于非线性的系统，区别就是多了线性化的过程，因为高斯映射到非线性函数，其结果不再是一

在机器人定位中，KF或者EKF是常用的传感器融合算法，之前也总结过很多关于EKF的用法： 如何理解卡尔曼滤波(Kalman Filter)实现数据融合 通俗易懂理解扩展卡尔曼滤波EKF用于多源传感器融