关键词：最小二乘法，增量方程状态估计问题的表述：在之前我们已经讲过了经典的SLAM数学模型，由运动方程和观测方程两者所组成。如下：xk = f(xk-1, uk) + wkzk,j = h(yj, xk) + vk,j方程1被称为运动方程，描述相机的运动，方程2被称为观测方程，描述特征点的观测模型。而在相机模型中，依据内参外参矩阵，有如下方程：Szk,j = K exp(&amp...

注意：本章内容简要，不涉及具体详细的数学推导，只简要介绍相关的数学理论关键词：旋转矩阵，平移向量，变化矩阵，齐次线性坐标在我的理解中，向量，表示的是两点之间的相对位置，就比如现在在一个坐标系中，有(1,0,0)向量l，在任何起点引出向量l，都会得到一个不同的终点，因此向量并不代表位置，而只是代表位移。首先我们建立一个世界坐标系W，在这个世界坐标系里面我们定义了原点为O，XYZ三个轴的正方向以...

关键词：针孔模型， 畸变模型，内参矩阵，外参矩阵针孔模型：相似三角形模型Z/f = X/X’ = Y/Y’这里我们将成像平面固定在相机焦点处，在外界物体距离相机较远比如十倍焦距以上的，根据理想状态下相机模型：1/u + 1/v = 1/f相距将在f很近的位置，因此将胶片放置在f处具有科学道理。以透镜的光心为原点，以光轴所在直线为X轴，以胶片的网格方向为XY轴方向，我们可以建立相机坐标系...

SLAM问题的数学表述场景：机器人（简称为小哪吒）携带着传感器在环境里移动，相机每隔一段时间拍照，并获得相应的照片。问题1: 什么是运动？相机只在离散的时刻拍摄，我们也只关心这些时刻的位置和地图，将这些离散的时刻视为 t = 1, …, K。对于运动的描述，就是小哪吒在这些时刻运动到了哪里。然而在SLAM里，对于运动的描述，不仅仅是三维空间的位置，还包括了相机的方向，综合起来，也就是我们所理...

李群与李代数关键词：优化，约束，求导把求解相机位姿的问题，构建成一个优化问题，求解最优的R，T，使得误差最小化。因为旋转和变换矩阵带有约束，使得优化变得困难（解空间受到约束），通过李群-李代数之间的转换关系，从而将其转换成无约束的优化问题。（求最优解，可以连续求导）推导过程较为麻烦，我们直接会使用结论即可：在t0 = 0附近，假设初始旋转矩阵R（0）= I，我们有 R(t) = exp...

QLoRA与多LoRA的区别： 核心概念：QLoRA结合量化技术与LoRA，优化模型部署效率；多LoRA则是在同一基础模型上应用多个LoRA适配器。 应用方向：QLoRA侧重降低资源消耗，适用于移动设备等受限环境；多LoRA增强模型多功能性，支持多任务处理。 技术实现：QLoRA通过量化压缩模型；多LoRA通过不同适配器矩阵应对不同任务需求。 参数管理：QLoRA保持单一参数集；多LoRA需管理多

未来的主流趋势，是端到端的感知建图定位，传统的SLAM方法，比如VIO，LIO等目前还有不少厂商在用，但是随着技术升级，深度学习的不断迭代，这些方法都会被替换掉，因为比起基于规则的方法，数据驱动的方法才有着不断迭代进化的能力，这也是我们通往更强大，更广泛的人工智能的必经之路。, 这样做的一个目的是为了节约数据采集的成本,当然,随着时间的推移和数据的积累,数据还是否会是一个瓶颈?自动化的矿山开采以及

Reconstruction of accurate 3-D surfaces with sharp edges using digital structured light projection and multi-dimensional image fusion 阅读笔记2017 Optics and Lasers in Engineering这篇文章讲的是在结构光三维测量中，对于Sharp

省流总结：深度学习的多层结构（比如卷积），会将输入映射到多维的空间，而这多维空间中的结果需要经过激活函数，再到输出层（常见的如全连接层-回归，softmax-二分类），如果激活函数是线性的，可以理解为整个网络就是一个巨大的线性模型，ax+by+c + a’x+b’y+c +…, 那么多层和单层起到的效果差别不大，而如果是一个非线性激活，比如exp(x)，在一层一层的非线性变换之后，是否可以理解为类

Multi-View Stereo 3D Edge Reconstruction2018 IEEE Winter Conference on Applications of Computer Vision这是一篇讲述从多视图的角度进行三维边缘重建的文章。之前的方法主要从视频中重建直线或者边缘点，但是无法重建曲线。这篇paper1. 提出了EdgeGraph3D system，可以从无序的图像序列中