一、视觉slam框架1、传感器信息读取：相机图像获得2、视觉里程计：估算相邻图像间相机的运动3、后端优化：接受视觉里程计测量的相机位资，以及回环检测的信息进行优化4、回环检测：检测机器人是否到达过之前的位置5、建图二、编程1、Linux操作系统，Ubuntu开发环境建议安装Ubuntu16.04或者14.04，最简单的方式是在虚拟机上安装，但是需要占用大量的内存（4GB以上）和CPU才能保持流畅。

一、初识slam1、定位与建图定位：我在什么地方建图：周围环境是什么样2、相机类型单目相机：只有一个摄像头双目相机：两个摄像头深度相机：（结构光或tof原理测出相机与物体之间的距离）3、视觉slam框架传感器数据—-前端视觉里程计：估算相邻图像间相机的运动（图像的特征提取与匹配）—-后端非线性优化（噪声，滤波与非线性算法）—-建图回环检测（利用图像间的相似性来判断a,b是否是同一点）：传感器数据—

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考一、pandas是什么？示例：pandas 是基于N

一、视觉里程计（特征点在图像中的位置朝向、大小等信息）特征点：特征点可以分为（keypoint）和描述子（descriptor），关键点就是图中比较重要的位置，比如说角点。描述子就是对关键点进行描述，描述关键点周围的像素信息。比如说SIFT，提取SIFT关键点，计算SIFT描述子。但是对于FAST而言只有关键点没有描述子。ORB主要是由oriented FAST和BRIEF描述子组成。二、FAST

目录一、直接法的不足之处与解决方法二、光流法（optical flow）三、直接法计算过程一、直接法的不足之处与解决方法不足1、关键点提取与描述子计算耗时2、信息容易丢失3、特征缺失：比如说一堵白墙，空荡荡的走廊就会出现找不到特征点的情况解决方法1、保留特征点，单只计算关键点，不计算描述子光流法（optical flow）：来跟踪特征点的运动直接法（Direct Method...

目录一、介绍ICP（Iterative Closest Point）二、求解ICP1、使用线性代数SVD求解2、线性SVD求解方法总结2.1、计算两幅图像匹配好的3D点的质心坐标,然后计算去质心坐标：2.2、计算旋转矩阵2.3计算t2、非线性优化方法一、介绍ICP（Iterative Closest Point）前面两节内容我们已经介绍过2D-2D,2D-3D，这节我们来介绍3D-3D的算法。3D

我使用的环境是ubuntu20.04，ros1的版本为noetic，ros2的版本为foxy。在ros1和ros2通信之前，先将原来的bash环境注释。1.打开ros1的roscore。3.ros1发送messages。4.ros2接收message。编译ros1_bridge。编译成功之后开始运行。

我使用的环境是ubuntu20.04，ros1的版本为noetic，ros2的版本为foxy。在ros1和ros2通信之前，先将原来的bash环境注释。1.打开ros1的roscore。3.ros1发送messages。4.ros2接收message。编译ros1_bridge。编译成功之后开始运行。

目录一、直接法的不足之处与解决方法二、光流法（optical flow）三、直接法计算过程一、直接法的不足之处与解决方法不足1、关键点提取与描述子计算耗时2、信息容易丢失3、特征缺失：比如说一堵白墙，空荡荡的走廊就会出现找不到特征点的情况解决方法1、保留特征点，单只计算关键点，不计算描述子光流法（optical flow）：来跟踪特征点的运动直接法（Direct Method...

目录一、介绍ICP（Iterative Closest Point）二、求解ICP1、使用线性代数SVD求解2、线性SVD求解方法总结2.1、计算两幅图像匹配好的3D点的质心坐标,然后计算去质心坐标：2.2、计算旋转矩阵2.3计算t2、非线性优化方法一、介绍ICP（Iterative Closest Point）前面两节内容我们已经介绍过2D-2D,2D-3D，这节我们来介绍3D-3D的算法。3D