Skip to content

MRwangmaomao/VSLAM

Repository files navigation

VSLAM


综述

关于slam

SLAM简介

SLAM的前世今生 终于有人说清楚了

SLAM第一篇:基础知识

移动机器人视觉里程计综述

波士顿等移动机器人的视觉算法解析

那些珍贵的「视觉SLAM」课程资料总结(补充版/完整版)

漫谈SLAM技术(上) 漫谈SLAM技术(下)

比较好的学习平台

B站泡泡机器人

SLAMCN

易科机器人实验室

Awesome SLAM

图像处理与计算机视觉

大牛的博客


基础知识

三维空间的刚体运动

李群与李代数

相机参数标定

高斯牛顿,LM非线性优化方法

pnp

特征点描述子,特征点提取,特征点匹配

对极约束、本质矩阵、单应矩阵、三角化

随机抽样一致性算法

光流跟踪

SFM

IMU预积分和观测模型

QR分解SVD分解等矩阵分解方式求解满秩和亏秩最小二乘问题

Marginalization

BA优化

ROS学习

半闲居士系列

PCL点云

图优化

找工作面试准备

图像处理基本算法代码

slam脑图


提升

一起做RGB-D SLAM

SLAM代码(设计模式)SLAM代码(设计模式2)

视觉跟踪算法

有代码的论文

优秀文章

大牛实验室和组织的网站

机器人领域牛人列表

卡耐基梅隆大学The Robotics Institute, Carnegie Mellon University 1

苏黎世联邦理工学院 Autonomous Systems Lab (ASL), ETH Zurich 2

明尼苏达大学 Multiple Autonomous Robotic Systems (MARS) Laboratory, University of Minnesota 3

UW Robotics and State Estimation Lab 4

慕尼黑工业大学 The Computer Vision Group, Technical University of Munich 5

宾夕法尼亚大学 Vijay Kumar Lab (GRASP Lab), University of Pennsylvania 6

苏黎世大学 Robotics and Perception Group (RPG), University of Zurich 7

悉尼大学 australian centre for field robotics 8

澳大利亚机器人人视觉研究中心 9


SLAM方案

视觉稀疏法:ORB-SLAM 、PTAM、MonoSLAM

半稠密法:LSD-SLAM、DSO、SVO

稠密法:DTAM、Elastic Fusion、Kintinous、DVO、RGBD-SLAM-V2、RTAB-MAP、MLM等

激光:Hector SLAM、Gmapping、tinySLAM

后端优化:g2o、ceres、GTSAM

数据:RGB-D SLAM Dataset and Benchmark、KITTI Vision Benchmark Suite、The EuRoC MAV Dataset等。

My Vision SLAM study and research

适用类型 方案 代码注释
单目 DSO
单目、双目、RGBD ORB-SLAM2 注释链接(file:///D:/github/VSLAM/ORBSLAM2/ORB-SLAM2-master/doc/html/index.html)
单目+IMU VINS
单目,双目+IMU VINS-Fusion

SLAM-Book 14 lesson


提问

1.为什么要使用sliding window

在基于graph based slam中,无论是pose graph还是bundle adjustment都是通过最小化损失来达到优化位姿和地图的目的。然而当待优化的位姿或者特征点坐标增多时,优化过程中的计算量也随着增大,因此不能无限的添加优化变量,使用滑动窗口技术来限制计算量在一定范围。 使用滑动窗口时还会涉及到“First Estimate Jacobians”,“Marginalization”,“Schur complement”等技术。

2. marginalization技术

3. ORBSLAM中的局部地图优化与DSO、OKVIS中的滑动窗口方法优化的区别

ORB-SLAM中的Local Mapping环节在做BA的时候刻意选择那些具有共同观测的帧作为关键帧,在这种情况下Schur消元后后得到的S矩阵(舒尔补消元后的矩阵)是稠密矩阵,由于局部地图优化不是实时的,所以这种做法可以接受。
DSO中采用了滑动窗口方法对每一帧要求做一次BA来防止累计误差,因此采取了一些技巧来保持S矩阵的稀疏性。

About

Vision SLAM study and research

Resources

License

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published