logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

SGAD-SLAM Jetson 部署指南

本文记录了在Jetson Orin NX设备上成功运行SGAD-SLAM系统的完整配置过程。系统配置包括:创建Python 3.8的conda环境,安装PyTorch 1.12.0及相关依赖库,编译安装faiss-gpu 1.7.2、simple-knn和fast_gicp等关键组件。针对Replica数据集进行了预处理,并解决了faiss-cpu的GLIBCXX兼容性问题、rerun-sdk版本

文章图片
#python
边缘设备3DGS-SLAM算法对比实验报告

本文对比了四种3D高斯溅射SLAM算法(MonoRTGS、MonoGS、SGAD-SLAM、SplaTAM)在NVIDIA Jetson AGX Orin边缘设备上的性能表现。实验结果显示,专门针对边缘设备优化的MonoRTGS在速度(1.80 FPS)、精度(ATE 1.47cm)和质量(PSNR 25.80dB)方面全面领先,运行时间仅48.2分钟。其他算法存在严重性能问题:MonoGS因单线

文章图片
#3d#算法
SLAM 学习笔记(一)相机模型(精简实用版)

摘要:本文系统介绍了相机成像模型及其关键参数。主要内容包括:1)针孔相机模型,通过内参矩阵K实现3D到2D投影;2)透镜畸变(径向/切向)及其校正方法;3)完整成像流程的四步坐标变换;4)双目相机通过视差计算深度,RGB-D相机直接获取深度信息;5)相机标定的必要性(校正内参和畸变)及实施方法(棋盘格标定)。重点指出标定误差对SLAM等应用的严重影响,并给出标定质量评估标准(RMS<0.5像

SLAM 学习笔记(零)SLAM 如何一步步迭代到 SE(3)

本文系统介绍了3D旋转和位姿表示的核心概念:欧拉角、旋转矩阵、四元数、李群SE(3)和李代数se(3)。欧拉角直观但存在顺序依赖和万向锁问题;旋转矩阵描述结果但冗余;四元数无奇点且插值稳定;李代数so(3)/se(3)作为优化工具提供增量式调整。SE(3)整合旋转和平移,而se(3)是其对应的微调空间。实际应用中,欧拉角用于人机交互,四元数用于稳定计算,李代数用于优化迭代,旋转矩阵和SE(3)用于

SLAM 学习笔记(二)“噪声“→“概率“→“最大似然“→“最小二乘法“

最小二乘是"要什么",GN/LM 是"怎么算",最大似然是"为什么"。概念角色最小二乘目标—— 我要最小化误差平方GN / LM手段—— 用迭代逼近这个目标最大似然本质—— 在高斯噪声下,二者等价前端 VO = 快速粗略估计位姿,给后端 BA 一个好的"起点"表格作用精度速度前端 VO找初始值低~中快(实时)后端 BA精细优化高慢(关键帧触发)

#学习#最小二乘法
LM 算法迭代过程动画演示(SLAM)

Levenberg-Marquardt算法可视化项目摘要 本项目通过动画直观展示LM算法在非线性最小二乘优化中的迭代过程,对比不同初始值对收敛的影响: 初始值对比:好初始值(2.5,1.8,0.3)快速收敛至真值(3.0,2.0,0.5),差初始值(1.0,1.0,0.0)陷入局部最优 6维度可视化:包含拟合曲线动态更新、参数收敛轨迹、参数空间搜索路径、代价函数下降曲线 技术实现:采用matplo

文章图片
#算法
SLAM 学习笔记(三)视觉里程计1(VO) 特征点法

本文系统介绍了视觉里程计(VO)的核心算法流程与关键技术,重点阐述了特征点法和几何计算方法在相机位姿估计中的应用。主要内容包括: 特征点法架构 采用ORB特征(Oriented FAST + Rotated BRIEF)实现高效的特征提取与匹配 通过关键点定位和二进制描述子构建特征表示 运动估计几何方法 2D-2D对极几何:利用本质矩阵E和8点法计算初始位姿 3D-2D PnP:通过已知3D点与2

文章图片
SLAM 学习笔记(三)视觉里程计2(VO) 特征点法

本文系统梳理了视觉SLAM中的直接法,包括其核心思想、数学推导与实现方法。主要内容分为三部分:首先介绍直接法原理,即通过最小化光度误差估计相机运动,摆脱对特征点的依赖;其次详细推导LK光流和稀疏/半稠密直接法的数学模型,分析其优缺点及适用条件;最后总结直接法的演进路径——从LK光流(2D运动估计)到稀疏直接法(3D位姿优化),再到半稠密直接法(梯度显著像素筛选),形成了一套基于灰度不变假设的完整技

#学习#人工智能
SLAM 脑内架构图(状态估计 → VO → 后端)

本文系统阐述了SLAM(同步定位与建图)的层次化架构,其核心是状态估计问题。架构分为三层:1)数学基础层(贝叶斯推断→最大似然→最小二乘优化);2)前端视觉里程计(VO)层,包含特征点法和直接法,通过相邻帧计算相对运动ΔT;3)后端优化层,融合前端估计与回环检测进行全局图优化。特别强调VO的本质是增量式运动估计(Tₖ=Tₖ₋₁·ΔTₖ₋₁,ₖ),而真正的单帧位姿估计仅出现在初始化(人为指定)或重定

文章图片
SLAM 学习笔记(四)后端(KF BA)

文章摘要:SLAM后端优化的核心在于解决前端递推估计导致的漂移问题。前端通过局部帧间计算相机运动,误差会随时间累积;后端则利用全局信息和回环检测,将所有位姿与地图点置于概率框架下联合优化,实现全局一致性。关键点包括:1) 后端本质是最大后验估计(MAP),在高斯噪声假设下转化为非线性最小二乘问题;2) BA通过重投影误差构建优化目标,利用Hessian矩阵的稀疏性及Schur补实现高效求解;3)

#学习
    共 151 条
  • 1
  • 2
  • 3
  • 16
  • 请选择