slam

凸优化（Convex Optimization）理论（2）相关内容：凸优化（Convex Optimization）理论（1）这一节的核心目标总结如下：什么样的优化问题，能够被“可靠、稳定、全局最优”地求解

SLAM进阶——数据集目录1 寻找目标领域数据集并下载2 数据集处理及运行2.1 单目2.2.1 图片2.2.2 时间戳2.2.3 相机参数yaml编写

SLAM进阶——特征提取目录1 现状2 ORB算法2.1 原理2.2 算法2.2.1 FeatureExtraction.hpp

【移动机器人运动规划（ROS）】03_ROS话题-服务-动作创建一个发布者初始化ROS节点创建句柄向ROS Master注册节点信息，包括发布的话题名和话题中的消息类型以及队列长度

Truncated Least Squares（TLS 截断最小二乘）算法原理残差小的观测正常用最小二乘；残差超过阈值的观测直接“截断”，不再继续惩罚。它不是“减弱”异常值，而是直接拒绝它们的影响。

点云配准算法之- GICP算法点云配准概率模型推导和最大似然求解（MLE）下面我们对文章：点云配准算法之-Generalized-ICP（ GICP）中点云配准模型进行拓展，推导如公式内容，

快速上手大模型：实践（Grounded-SAM2与Depth Anything V2）博主使用云服务器训练，配置环境版本为：PyTorch2.3.0、Python3.12、CUDA12.1，GPU4090 24GB；本次使用数据集是20G，考虑后续打包传输建议给到220G+、直接文件传输需要给到120G+。

SLAM文献之-Embedding Manifold Structures into Kalman Filters（3)相关内容： 1、SLAM文献之-Embedding Manifold Structures into Kalman Filters（1) 2、SLAM文献之-Embedding Manifold Structures into Kalman Filters（2) 3、SLAM文献之-Embedding Manifold Structures into Kalman Filters（3)

基于SLAM Toolbox的移动机器人激光建图算法原理与工程实现本系统采用 SLAM Toolbox 作为核心建图与定位方案。这是一款专为 ROS 2 生态设计的现代化 2D 激光 SLAM 框架。该算法基于 OpenKarto 的开源扫描匹配库进行深度重构，采用了基于图优化（Graph-based SLAM）的技术路线。

SLAM文献之-Embedding Manifold Structures into Kalman Filters（2)相关内容：SLAM文献之-Embedding Manifold Structures into Kalman Filters（1)

Mast3r_SLAMMast3r_SLAM 代码实现梳理

Fast-livo2 gazebo仿真实践记录记录fast-livo2的仿真主要修改一些参数config文件夹里有雷达和相机的yaml文件，主要是内参

平面运动模型下的特性及应用针孔相机模型（Pinhole Camera Model）是计算机视觉和摄影测量中最基础、最常用的成像模型。它描述了三维世界中的点是如何投影到二维图像平面上的。

视觉SLAM十四讲解读-(v2.p84)李代数求导视觉SLAM十四讲解读-(v2.p84)李代数求导在考虑 SO(3)SO(3)SO(3) 上的情况时，对空间点 p\boldsymbol{p}p 进行旋转得到 RpR\boldsymbol{p}Rp，目标是计算旋转之后点的坐标相对于旋转矩阵 RRR 的导数 ∂(Rp)∂R\frac{\partial(R\boldsymbol{p})}{\partial R}∂R∂(Rp)。由于 SO(3)SO(3)SO(3) 没有加法，不能按导数定义直接计算，所以通过将 RRR 对应的李代数记为 ϕ\phiϕ，转而计算

SLAM文献之A micro Lie theory for state estimation in robotic（2）相关内容：SLAM文献之A micro Lie theory for state estimation in robotic（1）

论文Review 点云配准综述 | 西北工业大学 | 3D Registration in 30 Years: A Survey | (一) 帧间粗配准太长了有点，看完太累了。设计的文献有点忒多了，不所有都贴上去了，就贴一些跟我方向相关的，还有我觉得比较重要的。其他的如果以后需要看了，再贴上去。

ros noetic使用pointcloud_to_laserscan 将2d激光雷达与深度摄像头数据融合配置文件src/wpb_home/wpb_home_tutorials/nav_depth/local_costmap_params.yaml

hello我是小菜鸡

关于第七章和第八章习题中算法改进的比较对于高博的《视觉SLAM十四讲》一书中习题所涉及的一些算法的优化与比较，我看到文中并没有太多的量化处理方法，但是又在习题里面有提到，所以在此单独写一个博客来量化比较一下各种算法所带来的性能。这是一篇比较随意的博文，想到哪就写到哪，有问题就尝试然后观测实验结果。

四元数 (Quaternion)动力学左乘/右乘约定下之误差态 EKF 的连续线性化与离散化传播示例（11）相关内容:四元数 (Quaternion)微分-从惯性系角速度推导四元数导数的矩阵表示（9）四元数采用 scalar-first: q = [ w , x , y , z ] T q=[w,x,y,z]^T q=[w,x,y,z]T.

LVI-SAM中激光点云辅助视觉特征点获取深度LVI-SAM的VIS提取视觉特征点，得到特征点的归一化平面坐标（归一化平面位于相机光心前方Z=1处）。接下来将视觉特征点的归一化平面坐标投影到单位球上，也就是对归一化平面坐标再进行一次归一化，使坐标向量模长为1，得到的单位向量仅代表特征点相对于相机光心的方向：