vins estimator ProjectionFactor (Td) factor
文章目录
- 简介
- 重投影误差
- 卷帘快门相机 时间差
- 带Td 的优化
- 残差
- 优化变量
- 残差计算
- 求解其Jacobian
- 对 pts_camera_j 求导
- 对 Pose_i 求导
- 对 Pose_j 求导
- 对 外参 求导
- 对特征点深度 inv_dep_i 求导
- 对时间差 求导
- 代码实现
- 不带Td 优化
- 残差
- 优化变量
- 残差计算
- 求解Jacobian
- 代码实现
简介
- 逆深度参数化:[xyz]=1λ[uv1]\begin{bmatrix} x \ y \ z \end{bmatrix} = \frac{1}{\lambda}\begin{bmatrix} u \ v \ 1 \end{bmatrix}[x y z]=λ1[u v 1]
- 第
i
帧中第一次被观测到转化到归一化平面:[ucivci1]\begin{bmatrix} u_{c_{i}}\ v_{c_{i}} \ 1\end{bmatrix}[uci vci 1] - 转换到第
j
帧:[xcjycjzcj1]=Tbc−1Twbj−1TwbiTbc[1λuci1λvci1λ1]\begin{bmatrix} x_{c_{j}}\ y_{c_{j}} \ z_{c_{j}} \ 1 \end{bmatrix} = T_{bc}^{-1}T_{wb_{j}}^{-1}T_{wb_{i}}T_{bc} \begin{bmatrix} \frac{1}{\lambda} u_{c_{i}} \ \frac{1}{\lambda} v_{c_{i}} \ \frac{1}{\lambda} \ 1\end{bmatrix}[xcj ycj zcj 1]=Tbc−1Twbj−1TwbiTbc[λ1uci λ1vci λ1 1] - 视觉残差:
- 针孔: rc=[xcjzcj−ucjycjzcj−vcj]r_{c} = \begin{bmatrix} \frac{x_{c_{j}}}{z_{c_{j}}} - u_{c_{j}} \ \frac{y_{c_{j}}}{z_{c_{j}}} - v_{c_{j}}\end{bmatrix}rc=[zcjxcj−ucj zcjycj−vcj]
- 鱼眼:rC(zl^cj,X)=[b1→b2→](Plcj∣Plcj∣−Plˉcj)r_{\mathcal{C}}(\hat{z_{l}}^{c_{j}}, \mathcal{X}) = \begin{bmatrix} \overrightarrow{b_{1}} \ \overrightarrow{b_{2}} \end{bmatrix} (\frac{P_{l}^{c_{j}}}{\left | P_{l}^{c_{j}} \right |}-\bar{P_{l}}^{c_{j}})rC(zl^cj,X)=[b1 b2](∣Plcj∣Plcj−Plˉcj)
- 因为视觉残差的自由度为2, 因此将视觉残差投影到正切平面上,b1,b2b_{1}, b_{2}b1,b2为正切平面上的任意俩个正交基。
- 采用施密特正交化得到
- 求解
Jacobian
- 视觉残差对重投影3D点fcjf_{c_{j}}fcj求导
- fcjf_{c_{j}}fcj 对各个优化变量的求导
重投影误差
- 对于同一特征点,i 时刻 与 j 时刻 的重投影误差
- 先将
i
时刻特征点 camera坐标系 通过 外参+i
时刻全局位姿得到 特征点的全局位姿 - 然后将该特征点的全局位姿通过
j
时刻全局位姿+外参转换到j
时刻camera
坐标系 - 转换后的两个差异之差即为重投影误差。
卷帘快门相机 时间差
相加快门
- 快门是照相机用来控制感光片有效曝光时间的机构,Global Shutter(全局快门)与Rolling Shutter(卷帘快门)对应全局曝光和卷帘曝光模式,这两种曝光模式都是相机常见的曝光模式。
- Global Shutter 特点
- 感光元件的所有像素点同时曝光一定时间,进而成像。
- 曝光时间比Rolling Shutter短,曝光整帧后输出像素数据。
- 对于高速运动的部分曝光后体现出模糊的现象。
- 一般使用CCD作为Sensor,对像素点输出的带宽的要求较高,CCD的造价也相对CMOS较高。
- Rolling Shutter 特点
- 感光元件的所有像素点逐行轮流曝光一定时间,进而成像。
- 会出现“果冻现象”。
- 曝光时间比Global Shutter长,但是曝光一行输出一行。
- 对于高速运动的部分曝光后体现出弯曲的现象。
- 一般使用CMOS作为Sensor,对像素点输出的带宽的要求较低,CMOS的造价也相对较低。
本部分功能:
- 对imu-camera 时间戳不完全同步和 Rolling shutter 相机的支持
- 该部分的功能是优化 IMU 与相机硬件的固定时间差。
- 认为滑窗内 imu 与相机 硬件的时间间隔一样。
- 输入的变量:
- i 时刻 角点 (j时刻角点一样,赋值一份)
- 在归一化平面的坐标 pts_i
- 角点在归一化平面的速度 velocity_i
- 处理IMU数据时用到的时间同步误差 td_i
- 角点在归一化平面 行坐标
_row_i = _row_i - ROW / 2
- i 时刻 角点 (j时刻角点一样,赋值一份)
- 每张图片以中心时间曝光作为其时间。
带Td 的优化
pts_i
基于时间差及速度得到pts_i_td
pts_j
基于时间差及速度得到pts_j_td
残差
优化变量
- imu_i 的全局位姿 维度:7
- imu_j 的全局位姿 维度:7
- 外参 维度:7
- inv_dep_i 维度:1
- 时间差 变量 para_Td[0] 维度:1
残差计算
- 角点
i
在归一化平面的row坐标pts_i - (td - td_i + TR / ROW * row_i) * velocity_i
pts_camera_i = pts_i_td / inv_dep_i
- 通过外参转换到
imu
坐标系pts_imu_i = qic * pts_camera_i + tic;
- 通过imu_i的全局位姿,将角点转换到世界坐标系
pts_w = Qi * pts_imu_i + Pi;
- 将角点通过 imu_j 转换到 j时刻imu坐标系下位姿
pts_imu_j = Qj.inverse() * (pts_w - Pj);
- 转换到
j
时刻 相机坐标系下pts_camera_j = qic.inverse() * (pts_imu_j - tic);
求解其Jacobian
- 求解 jacobian时,即残差对 优化变量 求导
- 求导分两步,先对 pts_camera_j 求导,再对 变量求导。
对 pts_camera_j 求导
残差对 pts_camera_j求导
非单位球面误差时:
reduce=[1./depj0−pts_camera_j(0)/(dep_j∗dep_j)01./depj−pts_camera_j(0)/(dep_j∗dep_j)]{ {reduce} = \begin{bmatrix} 1./dep_j & 0 & -{pts\_camera\_j(0) / (dep\_j * dep\_j)} \\ 0 & 1./dep_j & -{pts\_camera\_j(0) / (dep\_j * dep\_j)} \end{bmatrix}}reduce=[1./depj001./depj−pts_camera_j(0)/(dep_j∗dep_j)−pts_camera_j(0)/(dep_j∗dep_j)]由于权重(信息矩阵)因素,故
reduce = sqrt_info * reduce
if (jacobians){Eigen::Matrix3d Ri = Qi.toRotationMatrix();Eigen::Matrix3d Rj = Qj.toRotationMatrix();Eigen::Matrix3d ric = qic.toRotationMatrix();Eigen::Matrix<double, 2, 3> reduce(2, 3); #ifdef UNIT_SPHERE_ERRORdouble norm = pts_camera_j.norm();Eigen::Matrix3d norm_jaco;double x1, x2, x3;x1 = pts_camera_j(0);x2 = pts_camera_j(1);x3 = pts_camera_j(2);norm_jaco << 1.0 / norm - x1 * x1 / pow(norm, 3), - x1 * x2 / pow(norm, 3), - x1 * x3 / pow(norm, 3),- x1 * x2 / pow(norm, 3), 1.0 / norm - x2 * x2 / pow(norm, 3), - x2 * x3 / pow(norm, 3),- x1 * x3 / pow(norm, 3), - x2 * x3 / pow(norm, 3), 1.0 / norm - x3 * x3 / pow(norm, 3);reduce = tangent_base * norm_jaco; #elsereduce << 1. / dep_j, 0, -pts_camera_j(0) / (dep_j * dep_j),0, 1. / dep_j, -pts_camera_j(1) / (dep_j * dep_j); #endif
对 Pose_i 求导
pts_camera_j
对Pose_i
求导,对pts_camera_j
偏导乘以其值pts_camera_j
对P_i
的偏导: qic−1Qj−1{q_{ic}^{-1} Q_j^{-1}}qic−1Qj−1pts_camera_j
对Q_i
的偏导: qic−1Qj−1−Qi(pts_imu_i)∧{q_{ic}^{-1} Q_j^{-1} -Q_i ({pts\_imu\_i})^\wedge}qic−1Qj−1−Qi(pts_imu_i)∧ (通过右扰动求导)
对 Pose_j 求导
pts_camera_j
对Pose_j
求导,对pts_camera_j
偏导乘以其值pts_camera_j
对P_j
的偏导: qic−1Qj−1{q_{ic}^{-1} Q_j^{-1}}qic−1Qj−1pts_camera_j
对Q_j
的偏导: qic−1(pts_imu_j)∧{q_{ic}^{-1} ({pts\_imu\_j})^\wedge}qic−1(pts_imu_j)∧ (通过右扰动求导)
对 外参 求导
pts_camera_j
对Pose_{ic}
求导,对pts_camera_j
偏导乘以其值pts_camera_j
对P_{ic}
的偏导: qic−1(Qj−1Qi−I){q_{ic}^{-1} (Q_j^{-1}Q_i -I)}qic−1(Qj−1Qi−I)pts_camera_j
对Q_{ic}
的偏导: qic−1(pts_imu_j−tic)∧+qic−1Qj−1Qiqic(pts_camera_i−tic)∧{q_{ic}^{-1}({pts\_imu\_j}-t_{ic})^\wedge + q_{ic}^{-1}Q_j^{-1} Q_iq_{ic}({pts\_camera\_i}-t_{ic})^\wedge}qic−1(pts_imu_j−tic)∧+qic−1Qj−1Qiqic(pts_camera_i−tic)∧ (通过右扰动求导)
对特征点深度 inv_dep_i 求导
pts_camera_j
对inv_dep_i
求导,对pts_camera_j
偏导乘以其值- −qic−1Qj−1Qiqicpts_i_td/(inv_dep_i)2{-q_{ic}^{-1}Q_j^{-1} Q_iq_{ic} {pts\_i\_td} / (inv\_dep\_i)^2}−qic−1Qj−1Qiqicpts_i_td/(inv_dep_i)2
对时间差 求导
- 对时间差求偏导时,
pts_camera_j
和pts_camera_j
都有其变量,故: pts_camera_j
对 dt 求导:reduce∗−qic−1Qj−1Qiqicpts_i_td∗velocity_y/(inv_dep_i){ reduce * -q_{ic}^{-1}Q_j^{-1} Q_iq_{ic} {pts\_i\_td} * velocity\_y/ (inv\_dep\_i) }reduce∗−qic−1Qj−1Qiqicpts_i_td∗velocity_y/(inv_dep_i)pts_camera_j
对 dt 求导:sqrt_info∗velocity_y{sqrt\_info *velocity\_y }sqrt_info∗velocity_y
代码实现
bool ProjectionTdFactor::Evaluate(double const *const *parameters, double *residuals, double **jacobians) const
{TicToc tic_toc;Eigen::Vector3d Pi(parameters[0][0], parameters[0][1], parameters[0][2]);Eigen::Quaterniond Qi(parameters[0][6], parameters[0][3], parameters[0][4], parameters[0][5]);Eigen::Vector3d Pj(parameters[1][0], parameters[1][1], parameters[1][2]);Eigen::Quaterniond Qj(parameters[1][6], parameters[1][3], parameters[1][4], parameters[1][5]);Eigen::Vector3d tic(parameters[2][0], parameters[2][1], parameters[2][2]);Eigen::Quaterniond qic(parameters[2][6], parameters[2][3], parameters[2][4], parameters[2][5]);double inv_dep_i = parameters[3][0];double td = parameters[4][0];Eigen::Vector3d pts_i_td, pts_j_td;pts_i_td = pts_i - (td - td_i + TR / ROW * row_i) * velocity_i;pts_j_td = pts_j - (td - td_j + TR / ROW * row_j) * velocity_j;Eigen::Vector3d pts_camera_i = pts_i_td / inv_dep_i;Eigen::Vector3d pts_imu_i = qic * pts_camera_i + tic;Eigen::Vector3d pts_w = Qi * pts_imu_i + Pi;Eigen::Vector3d pts_imu_j = Qj.inverse() * (pts_w - Pj);Eigen::Vector3d pts_camera_j = qic.inverse() * (pts_imu_j - tic);Eigen::Map<Eigen::Vector2d> residual(residuals);#ifdef UNIT_SPHERE_ERROR residual = tangent_base * (pts_camera_j.normalized() - pts_j_td.normalized());
#elsedouble dep_j = pts_camera_j.z();residual = (pts_camera_j / dep_j).head<2>() - pts_j_td.head<2>();
#endifresidual = sqrt_info * residual;if (jacobians){Eigen::Matrix3d Ri = Qi.toRotationMatrix();Eigen::Matrix3d Rj = Qj.toRotationMatrix();Eigen::Matrix3d ric = qic.toRotationMatrix();Eigen::Matrix<double, 2, 3> reduce(2, 3);
#ifdef UNIT_SPHERE_ERRORdouble norm = pts_camera_j.norm();Eigen::Matrix3d norm_jaco;double x1, x2, x3;x1 = pts_camera_j(0);x2 = pts_camera_j(1);x3 = pts_camera_j(2);norm_jaco << 1.0 / norm - x1 * x1 / pow(norm, 3), - x1 * x2 / pow(norm, 3), - x1 * x3 / pow(norm, 3),- x1 * x2 / pow(norm, 3), 1.0 / norm - x2 * x2 / pow(norm, 3), - x2 * x3 / pow(norm, 3),- x1 * x3 / pow(norm, 3), - x2 * x3 / pow(norm, 3), 1.0 / norm - x3 * x3 / pow(norm, 3);reduce = tangent_base * norm_jaco;
#elsereduce << 1. / dep_j, 0, -pts_camera_j(0) / (dep_j * dep_j),0, 1. / dep_j, -pts_camera_j(1) / (dep_j * dep_j);
#endifreduce = sqrt_info * reduce;if (jacobians[0]){Eigen::Map<Eigen::Matrix<double, 2, 7, Eigen::RowMajor>> jacobian_pose_i(jacobians[0]);Eigen::Matrix<double, 3, 6> jaco_i;jaco_i.leftCols<3>() = ric.transpose() * Rj.transpose();jaco_i.rightCols<3>() = ric.transpose() * Rj.transpose() * Ri * -Utility::skewSymmetric(pts_imu_i);jacobian_pose_i.leftCols<6>() = reduce * jaco_i;jacobian_pose_i.rightCols<1>().setZero();}if (jacobians[1]){Eigen::Map<Eigen::Matrix<double, 2, 7, Eigen::RowMajor>> jacobian_pose_j(jacobians[1]);Eigen::Matrix<double, 3, 6> jaco_j;jaco_j.leftCols<3>() = ric.transpose() * -Rj.transpose();jaco_j.rightCols<3>() = ric.transpose() * Utility::skewSymmetric(pts_imu_j);jacobian_pose_j.leftCols<6>() = reduce * jaco_j;jacobian_pose_j.rightCols<1>().setZero();}if (jacobians[2]){Eigen::Map<Eigen::Matrix<double, 2, 7, Eigen::RowMajor>> jacobian_ex_pose(jacobians[2]);Eigen::Matrix<double, 3, 6> jaco_ex;jaco_ex.leftCols<3>() = ric.transpose() * (Rj.transpose() * Ri - Eigen::Matrix3d::Identity());Eigen::Matrix3d tmp_r = ric.transpose() * Rj.transpose() * Ri * ric;jaco_ex.rightCols<3>() = -tmp_r * Utility::skewSymmetric(pts_camera_i) + Utility::skewSymmetric(tmp_r * pts_camera_i) +Utility::skewSymmetric(ric.transpose() * (Rj.transpose() * (Ri * tic + Pi - Pj) - tic));jacobian_ex_pose.leftCols<6>() = reduce * jaco_ex;jacobian_ex_pose.rightCols<1>().setZero();}if (jacobians[3]){Eigen::Map<Eigen::Vector2d> jacobian_feature(jacobians[3]);jacobian_feature = reduce * ric.transpose() * Rj.transpose() * Ri * ric * pts_i_td * -1.0 / (inv_dep_i * inv_dep_i);}if (jacobians[4]){Eigen::Map<Eigen::Vector2d> jacobian_td(jacobians[4]);jacobian_td = reduce * ric.transpose() * Rj.transpose() * Ri * ric * velocity_i / inv_dep_i * -1.0 +sqrt_info * velocity_j.head(2);}}sum_t += tic_toc.toc();return true;
}
不带Td 优化
- 直接使用
pts_i
和pts_j
求解
残差
优化变量
imu_i 的全局位姿 维度:7
imu_j 的全局位姿 维度:7
外参 维度:7
inv_dep_i 维度:1
残差计算
- pts_i 是i时刻归一化相机坐标系下的3D坐标
- 第i帧相机坐标系下的的逆深度
double inv_dep_i = parameters[3][0];
- 第i帧相机坐标系下的3D坐标
Eigen::Vector3d pts_camera_i = pts_i / inv_dep_i;
- 第i帧IMU坐标系下的3D坐标
Eigen::Vector3d pts_imu_i = qic * pts_camera_i + tic;
- 世界坐标系下的3D坐标
Eigen::Vector3d pts_w = Qi * pts_imu_i + Pi;
- 第j帧imu坐标系下的3D坐标
Eigen::Vector3d pts_imu_j = Qj.inverse() * (pts_w - Pj);
- 第j帧相机坐标系下的3D坐标
Eigen::Vector3d pts_camera_j = qic.inverse() * (pts_imu_j - tic);
- 残差固件
Eigen::MapEigen::Vector2d residual(residuals);- 若球面相机
residual = tangent_base * (pts_camera_j.normalized() - pts_j.normalized());
- 针孔相机
double dep_j = pts_camera_j.z();
residual = (pts_camera_j / dep_j).head<2>() - pts_j.head<2>();
- 若球面相机
求解Jacobian
由上述可知,二者残差几乎一致,因此Jacobian类似
代码实现
bool ProjectionFactor::Evaluate(double const *const *parameters, double *residuals, double **jacobians) const
{TicToc tic_toc;Eigen::Vector3d Pi(parameters[0][0], parameters[0][1], parameters[0][2]);Eigen::Quaterniond Qi(parameters[0][6], parameters[0][3], parameters[0][4], parameters[0][5]);Eigen::Vector3d Pj(parameters[1][0], parameters[1][1], parameters[1][2]);Eigen::Quaterniond Qj(parameters[1][6], parameters[1][3], parameters[1][4], parameters[1][5]);Eigen::Vector3d tic(parameters[2][0], parameters[2][1], parameters[2][2]);Eigen::Quaterniond qic(parameters[2][6], parameters[2][3], parameters[2][4], parameters[2][5]);//pts_i 是i时刻归一化相机坐标系下的3D坐标//第i帧相机坐标系下的的逆深度double inv_dep_i = parameters[3][0];//第i帧相机坐标系下的3D坐标Eigen::Vector3d pts_camera_i = pts_i / inv_dep_i;//第i帧IMU坐标系下的3D坐标Eigen::Vector3d pts_imu_i = qic * pts_camera_i + tic;//世界坐标系下的3D坐标Eigen::Vector3d pts_w = Qi * pts_imu_i + Pi;//第j帧imu坐标系下的3D坐标Eigen::Vector3d pts_imu_j = Qj.inverse() * (pts_w - Pj);//第j帧相机坐标系下的3D坐标Eigen::Vector3d pts_camera_j = qic.inverse() * (pts_imu_j - tic);Eigen::Map<Eigen::Vector2d> residual(residuals);// 残差构建// 根据不同的相机模型
#ifdef UNIT_SPHERE_ERROR residual = tangent_base * (pts_camera_j.normalized() - pts_j.normalized());
#else//针孔相机模型double dep_j = pts_camera_j.z();residual = (pts_camera_j / dep_j).head<2>() - pts_j.head<2>();
#endifresidual = sqrt_info * residual;//reduce 表示残差residual对fci(pts_camera_j)的导数,同样根据不同的相机模型if (jacobians){Eigen::Matrix3d Ri = Qi.toRotationMatrix();Eigen::Matrix3d Rj = Qj.toRotationMatrix();Eigen::Matrix3d ric = qic.toRotationMatrix();Eigen::Matrix<double, 2, 3> reduce(2, 3);
#ifdef UNIT_SPHERE_ERRORdouble norm = pts_camera_j.norm();Eigen::Matrix3d norm_jaco;double x1, x2, x3;x1 = pts_camera_j(0);x2 = pts_camera_j(1);x3 = pts_camera_j(2);norm_jaco << 1.0 / norm - x1 * x1 / pow(norm, 3), - x1 * x2 / pow(norm, 3), - x1 * x3 / pow(norm, 3),- x1 * x2 / pow(norm, 3), 1.0 / norm - x2 * x2 / pow(norm, 3), - x2 * x3 / pow(norm, 3),- x1 * x3 / pow(norm, 3), - x2 * x3 / pow(norm, 3), 1.0 / norm - x3 * x3 / pow(norm, 3);reduce = tangent_base * norm_jaco;
#else//针孔相机模型reduce << 1. / dep_j, 0, -pts_camera_j(0) / (dep_j * dep_j),0, 1. / dep_j, -pts_camera_j(1) / (dep_j * dep_j);
#endifreduce = sqrt_info * reduce;// 残差项的Jacobian// 先求fci对各项的Jacobian,然后用链式法则乘起来// 对第i帧的位姿 pbi,qbi 2X7的矩阵 最后一项是0if (jacobians[0]) {Eigen::Map<Eigen::Matrix<double, 2, 7, Eigen::RowMajor>> jacobian_pose_i(jacobians[0]);Eigen::Matrix<double, 3, 6> jaco_i;jaco_i.leftCols<3>() = ric.transpose() * Rj.transpose();jaco_i.rightCols<3>() = ric.transpose() * Rj.transpose() * Ri * -Utility::skewSymmetric(pts_imu_i);jacobian_pose_i.leftCols<6>() = reduce * jaco_i;jacobian_pose_i.rightCols<1>().setZero();}// 对第j帧的位姿 pbj,qbjif (jacobians[1]){Eigen::Map<Eigen::Matrix<double, 2, 7, Eigen::RowMajor>> jacobian_pose_j(jacobians[1]);Eigen::Matrix<double, 3, 6> jaco_j;jaco_j.leftCols<3>() = ric.transpose() * -Rj.transpose();jaco_j.rightCols<3>() = ric.transpose() * Utility::skewSymmetric(pts_imu_j);jacobian_pose_j.leftCols<6>() = reduce * jaco_j;jacobian_pose_j.rightCols<1>().setZero();}// 对相机到IMU的外参 pbc,qbc (qic,tic)if (jacobians[2]){Eigen::Map<Eigen::Matrix<double, 2, 7, Eigen::RowMajor>> jacobian_ex_pose(jacobians[2]);Eigen::Matrix<double, 3, 6> jaco_ex;jaco_ex.leftCols<3>() = ric.transpose() * (Rj.transpose() * Ri - Eigen::Matrix3d::Identity());Eigen::Matrix3d tmp_r = ric.transpose() * Rj.transpose() * Ri * ric;jaco_ex.rightCols<3>() = -tmp_r * Utility::skewSymmetric(pts_camera_i) + Utility::skewSymmetric(tmp_r * pts_camera_i) +Utility::skewSymmetric(ric.transpose() * (Rj.transpose() * (Ri * tic + Pi - Pj) - tic));jacobian_ex_pose.leftCols<6>() = reduce * jaco_ex;jacobian_ex_pose.rightCols<1>().setZero();}// 对逆深度 \lambda (inv_dep_i)if (jacobians[3]){Eigen::Map<Eigen::Vector2d> jacobian_feature(jacobians[3]);
#if 1jacobian_feature = reduce * ric.transpose() * Rj.transpose() * Ri * ric * pts_i * -1.0 / (inv_dep_i * inv_dep_i);
#elsejacobian_feature = reduce * ric.transpose() * Rj.transpose() * Ri * ric * pts_i;
#endif}}sum_t += tic_toc.toc();return true;
}
vins estimator ProjectionFactor (Td) factor相关推荐
- zoho邮箱收费和免费区别_您需要了解有关适用于ios和android的新zoho vault移动应用程序的所有信息...
zoho邮箱收费和免费区别 The secret phrase is the true standard of computerized validation and access. Any run ...
- ZOHO:游刃于快时代的“慢公司”
编辑:阿由 设计:紫菜 作为一家国际化的软件技术公司,尽管已经贵为全球三大CRM品牌之一,ZOHO的低调与务实在业内有目共睹.与其他同类公司相比,ZOHO不光低调,还以"慢"闻名: ...
- 萌新改代码系列(一)--VINS+GPS
VINS与GPS组合 距离上次写博客过去了快一年了,这一年来我一直忙于与SLAM方向几乎没有关系的科研工作,说来惭愧,最终也没研究出个啥.最近得空,就把我之前开源的代码整理了一下,把与GPS的组合部分 ...
- 从LVI-SAM来看激光与视觉的紧耦合系统
0.简介 快过年了,这里打算以这一篇博文作为结尾,来迎向2022春节.同时也希望新的一年能够继续不断提升自我. 1. 系统介绍 本文提出了一种紧耦合的雷达视觉惯导SLAM系统,可以实时高精度鲁棒的进行 ...
- Robust Initialization of Monocular Visual-Inertial Estimation on Aerial Robots
Robust Initialization of Monocular Visual-Inertial Estimation on Aerial Robots VINS初始化论文详解 I.Motivat ...
- 【VINS论文翻译】VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator
回到目录 写在前面 港科大的VINS-Mono作为目前state of the art的开源VIO项目,是研究视觉与IMU紧耦合的必读算法,网上的论文解读与代码实现也非常丰富(感谢!).为更好地进行学 ...
- VINS-Mono代码解读——状态估计器流程 estimator 写在初始化和非线性优化前
前言 本文主要介绍VINS的状态估计器模块(estimator),主要在代码中/vins_estimator节点的相关部分实现. 这个模块可以说是VINS的最核心模块,从论文的内容上来说,里面的内容包 ...
- VINS紧耦合优化公式及代码解析
1.首先确定待优化的状态变量 对应代码,优化参数为: Vector3d Ps[(WINDOW_SIZE + 1)];(平移向量) Vector3d Vs[(WINDOW_SIZE + 1)];(速度) ...
- VINS System::ProcessBackEnd()
vins 通过IMU和Image的两个线程处理,将imu数据存储到imu_buf中,image数据存储到image_buf中,接下来通过void System::ProcessBackEnd()函数来 ...
最新文章
- [Offer收割]编程练习赛63
- 关于鼠标、键盘的几个例子
- Tizen 2.0 SDK 和源码发布
- boost::multiprecision模块logged_adaptor相关的测试程序
- flex buider 4.6 打开设计模式(designer)时提示内存不足错误的解决办法
- Dev-C++实现调试功能
- mysql游标表间数据迁移_FalseMySQL存储过程--gt;通过游标遍历和异常处理迁移数据到历史表-mysql-第二电脑网...
- 吴恩达作业1:逻辑回归实现猫的分类
- 中国互联网保险代理人生存状况调查报告
- 又一次寻找bug的经历...这次是 openlayers + chrome + win7
- ARCH-LINUX 折(安)腾(装)记
- mysql如何实现透视表功能_SQL 实现数据透视表功能
- SOFA BOLT源码解析之设计要点-网络IO
- freetype安装
- 关于B/S模式系统的设计与实现
- hdu1114 Piggy-Bank
- 网站服务器内存性能监视异常波动,网站监视, Web架构监视, 服务器监视: 
Site24x7...
- PHP语言之华为应用内支付IAP验签
- Python安装教程步骤3:Pycharm和Anaconda3安装及环境配置相关问题汇总
- U盘里的文件变成快捷键的解决方法