双目标定双目摄像机标定最主要的目的：是要得求出每个摄像机的相机内参数矩阵K和畸变系数矩阵D，左右两个摄像机的相对位置关系（即右摄像头相对于左摄像头的平移向量 t和旋转矩阵R）。由于OpenCV中StereoCalibrate标定的结果极其不稳定，甚至会得到很夸张的结果，所以决定Matlab标定工具箱立体标定，再将标定的结果读入OpenCV，来进行后续图像校准和匹配。[1]首先对左右

一、激光雷达（LDS）简介1.激光雷达应用举例：现在自主移动机器人领域非常火爆，无人车、无人飞机、水下机器人、仓储机器人、扫地机等应用层出不穷。激光雷达传感器是地面移动机器人的标配，一些空中机器人也必须使用激光雷达。2.国内市面上激光雷达举例：乐行天下(Inmotion)的激光雷达IMLidar，官方网址是http://robot.imscv.com/。其性能稳定可靠，国内前列。具

数字图像在其形成、传输记录的过程中往往会受到很多噪声的的污染，比如：椒盐噪声、高斯噪声等，为了抑制和消除这些随即产生的噪声而改善图像的质量，就需要去、对图像进行去噪处理，去噪也就是滤波处理。中值滤波和同态滤波都是图像增强的方法，但是这两种方法是从不同的方式进行改善一副图片的质量。中值滤波是图像平滑的一种方法 它是一种非线性平滑滤波技术，在一定条件下可以克服线性滤波带来的图像细节的模糊问题，

线性插值先讲一下线性插值：已知数据 (x0, y0) 与 (x1, y1)，要计算 [x0, x1] 区间内某一位置 x 在直线上的y值（反过来也是一样，略）：y−y0x−x0=y1−y0x1−x0y=x1−xx1−x0y0+x−x0x1−x0y1上面比较好理解吧，仔细看就是用x和x0，x1的距离作为一个权重，用于y0和y1的加权。双线性插值本质上就是在两个方向上做线性插值。双线性插值在数学上，双

在上一部分中通过一个例子大致了解了graph based slam的优化过程。在本篇博客中将提升一个层次，对图优化的求解过程进行推导。由于博文关注的在图构建好以后，如何调整机器人位姿使误差最下。因此，本文主要涉及的是图优化的后端（back-end）。       我们已经知道图优化问题转变成了一个最小二乘问题。根据上篇博客最后一个例子，求机器人SLAM过程中最优轨迹可以表示成求解机器人位姿使得

1.这里是ros_ekf_pose包的简单介绍:这个包用于评估机器人的3D位姿，使用了来自不同源的位姿测量信息，它使用带有6D（3D position and 3D orientation）模型信息的扩展卡尔曼滤波器来整合来自轮子里程计，IMU传感器和视觉里程计的数据信息。 基本思路就是用松耦合方式融合不同传感器信息实现位姿估计。 1 如何使用EKF1.1 配置     E...

上一节我们使用张正友相机标定法获得了相机内参，这一节我们使用 PnP (Perspective-n-Point)算法估计相机初始姿态并更新之。推荐3篇我学习的博客：【姿态估计】Pose estimation algorithm 之 Robust Planar Pose (RPP)algorithm，POSIT算法的原理--opencv3D姿态估计，三维姿态：关于solvePnP与cvPOSI

卡尔曼滤波是一个很常用的滤波算法，与维纳滤波相比有很多长处。这里我们把Kalman Filter简称为KF。KF的基本思想是：采用信号、噪声、状态空间模型，利用前一时刻的状态最优估计值及其误差方差估计和现时刻的量测值来更新对状态变量的估计，求出现在时刻的最优估计值。说白点就是对现在时刻的估计（可能是同时估计好几个变量）是取决于前一时刻估计误差和现在时刻的某个观测值。通过不断的预测和实测来修正自

Costmap(代价地图)（上）Costmap是机器人收集传感器信息建立和更新的二维或三维地图，可以从下图简要了解。上图中，红色部分代表costmap中的障碍物，蓝色部分表示通过机器人内切圆半径膨胀出的障碍（注意是机器人内切圆形状），红色多边形是footprint（脚印）(机器人轮廓的垂直投影)。机器人避障的规则：为了避免碰撞，footprint不应该和红色部分有交叉，机器人中心不...

本文主要介绍LQR的直观推导，说明LQR目标函数J选择的直观含义以及简单介绍矩阵Q,R的选取，最后总结LQR控制器的设计步奏，并将其应用在一个简单的倒立摆例子上。            假设有一个线性系统能用状态向量的形式表示成：                                                ( 1 )其中 ，初始条件是. 并且假设这个系统的所有状态