slam

快速上手大模型：机器学习1本专栏旨在快速上手大模型相关内容，补齐大模型相关基础。Field of study that gives computers the ability to learn without being explicitly programmed.

VI-SLAM定位方案对比ref：A Review of VI-SLAM from Filtering-Based and Optimization-Based Perspective

ORB_SLAM2原理及代码解析：单应矩阵H、基础矩阵F求解目录1 单应矩阵1.1 作用1.2 参数及含义1.3 逻辑关系1.4 代码1.5 解析1.5.1 准备阶段

论文Review SLAM R3LIVE | ICRA2022 港大MARS | 可以生成Mesh的激光视觉惯性SLAM题目：R3LIVE: A Robust, Real-time, RGB-colored, LiDAR-Inertial-Visual tightly-coupled state Estimation and mapping package

ORB_SLAM2原理及代码解析：Tracking::CreateInitialMapMonocular() 函数目录1 作用2 参数及含义3 代码4 解析4.1 创建关键帧4.2 计算词袋4.2.1 Frame::ComputeBoW()

SLAM算法分类对比ref: 激光与视觉 SLAM 的算法综述SLAM 算法旨在解决机器人在未知环境中运动时的定位与路标估计问题，获得机器人位姿和路标特征概率分布，通过机器人的运动模型和观测信息，利用统计手段逐步减少估计值与真实值的偏差，从而完成机器人在环境运动过程中的位姿和路标的估计，按求解的方式不同可以分为滤波和优化：

第五篇：后端优化——位姿图的灵魂－－从图优化到滑动窗口的联合状态估计1.1 最大后验估计与最小二乘· MAP估计：· 最小二乘形式：1.2 图优化模型· 因子图表示：1.3 优化方法对比

GTSAM 中自定义因子（Custom Factor）的详解和实战示例在 GTSAM 中：因子图（Factor Graph）是联合概率分布的图表示，变量作为节点，因子作为边。

【无标题】SceneSplat：基于视觉-语言预训练的3DGS场景理解标题：<SceneSplat: Gaussian Splatting-based Scene Understanding with Vision-Language Pretraining> 来源：阿姆斯特丹大学计算机视觉实验室、苏黎世联邦理工学院、索菲亚大学圣克利门特·奥赫里德斯基学院、南京航空航天大学、比萨大学、特伦托大学主页：https://github.com/unique1i/SceneSplat

四元数 (Quaternion)在位姿（SE(3)）表示下的各类导数（雅可比）知识（2）四元数记作 q=[w, v]=[w,x,y,z]q = [w,\, \mathbf{v}] = [w, x, y, z]q=[w,v]=[w,x,y,z]，其中 v=(x,y,z)T\mathbf{v}=(x,y,z)^Tv=(x,y,z)T。单位四元数表示旋转。

SLAM（同步定位与建图）SLAM 的全称是 Simultaneous Localization and Mapping，即同步定位与建图。它要解决的是一个“鸡生蛋还是蛋生鸡”的问题：一个自主移动的机器人（或设备）在未知环境中，需要：

四元数 (Quaternion)与李群SE（3）知识点（1）四元数最早由 Hamilton (1843) 提出，是复数的扩展。形式：q=w+xi+yj+zk q = w + xi + yj + zk q=w+xi+yj+zk

常见的相机模型针孔/鱼眼（Pinhole,Mei,K相机相关：相机模型与畸变模型相机的成像模型(Pinhole + Omni)和畸变模型(RanTan, FOV, EQUI) 描述相机的模型需要两部分：

SLAM文献之-Globally Consistent and Tightly Coupled 3D LiDAR Inertial Mapping该论《Globally Consistent and Tightly Coupled 3D LiDAR Inertial Mapping》是日本先进工业科学技术研究所（AIST）的Koide等人于2022年在IEEE国际机器人与自动化会议（ICRA）上发表的一篇论文。该研究提出了一种基于全局匹配代价最小化和LiDAR-IMU紧耦合的实时三维建图框架，旨在提高在特征稀缺或动态环境中的定位与建图精度。文由 Koide 等人在 2022 年发表，提出了一种全局一致且紧耦合的三维 LiDAR-IMU 建图方法。

时凯凯凯凯

使用 Vive Tracker 替代 T265 实现位姿获取（基于 Ubuntu + SteamVR）在Dexcap这篇工作列出第二版硬件清单时，我注意到其使用 Vive Tracker 替代 Intel T265 来获取位姿数据，对这个东西的性能感到好奇，最近因为需要跟进相关工作，参与了一部分实现，由于这方面的中文资料相对较少，因此在此记录一下整个过程，便于后续参考

矩阵中QR算法分解简介和基于Eigen库使用示例QR 算法是一种用于**特征值分解（Eigen Decomposition）**的迭代数值方法。广泛应用于求解实对称矩阵的特征值与特征向量，是现代数值线性代数中核心算法之一。

相机的内外参分别指什么在自动驾驶领域，相机参数通常分为两类：描述的是相机自身的成像特性，包括镜头属性和传感器信息，通常构成 3×3 的相机内参矩阵 KKK，形式为：

龙猫略略略

slam中的eskf观测矩阵推导在之前的《slam中的eskf推导》一文中，没有写观测矩阵 H 矩阵的过程，现在补上这部分。列举几个等下推导需要用到的一些点：

无人机避障——感知篇（Ego_Planner_v2中的滚动窗口实现动态实时感知建图grid_map ROS节点理解与参数调整影响）处理器：Orin nx双目视觉传感器：ZED2实时感知建图方法：Vins Fusion + Raycast （VIO与射线投影法感知定位加建图方法）

bigFish啦啦啦

D435i + ROS2针对 Ubuntu 24.04 的全新高精度 SLAM 教程jetson部署： https://blog.csdn.net/weixin_53776054/article/details/128552701