CSDN的小伙伴们，福利来了，以下总结近年来的机器人和计算机视觉顶会的论文集，赶紧收藏吧！后续还会持续更新，尽请期待，首先介绍一个收录较为完全的网站：http://www.cvpapers.com/CVPR2017：http://www.cvpapers.com/cvpr2017.htmlICCV2017：http://www.cvpapers.com/iccv2017.htm...

2.基于流型的IMU预积分这一部分主要参考论文（2）中的内容，ORB_SLAM2融合惯性数据的算法中预积分处理是参照论文（2）中实现的。前面关于VINS的详解说过预积分计算过程，那篇使用的是四元数旋转求解，和这里的过程是一样的，主要计算三个量，分别是IMU预积分值，预积分测量值的协方差矩阵以及残差的雅各比矩阵，各自用途就不多说，有不懂的可以参照VINS的详解https://blog.csd...

ORB_SLAM2的作者在2017年提出了具有地图重用功能的单目视觉惯性定位算法，该算法的具体思路和港科大的VINS有着异曲同工之妙，整体过程可分为下面几个部分：1.整体流程与基础知识总结2.基于流型的IMU预积分3.IMU初始化（视觉惯性联合初始化）4.紧耦合优化模型下面主要通过这三个方面对整个思路做详细的说明。还是按照VINS相同的方式来讲解，首先对整个理论知识做详细的分析...

无监督学习下的深度和位姿估计摘要：文章提出了一种单目深度和位姿估计的无监督学习网络，本文的创新点是完全无监督的网络。整个网络主要分为两个部分，分别是单视图深度估计和多视图位姿估计。需要注意的是本文最后得到的深度和位姿没有系统尺度。如论文中图1所示（这里注意后面有提到同时训练了第三个网络explainability prediction network暂时翻译成解释预测网络）论文核心算...

VINS理论与代码详解2——观测值预处理一．Feature_tracker文件夹中         首先讲第一部分，也就是纯粹的图像处理部分内容，在论文中的第IV点观测值预处理的A部分视觉前端处理，为了更好的理解代码，有必要将论文中的相关内容和大家讨论一番。         论文内容：每当进入新的图像，都会使用KLT稀疏光流法进行跟踪，同时提取100-300个角点信息，我的理解是角

VINS理论与代码详解5——基于滑动窗口的单目视觉紧耦合后端优化模型    终于讲到了真正的视觉惯性紧耦合系统了，（在这里插一句，算是写博客和学习一个SLAM系统的心得吧，一开始我们可能抱着一个必胜的心态打算征服所有的知识点和难点，但到了整个过程的中期，总会出现或多或少的问题，阻碍着我们前进的步伐，你可能想放松警惕，不想太深究具体的公式和内容，急功心切的想看到终点到底是什么，但是我要提醒大

VINS中比较难办的一个问题就是四元数旋转的计算，求导等问题。所以还是应该单独说明一下这部分内容。1.涉及到旋转四元数基本性质在SLAM中所有涉及到的四元数旋转都是单位四元数，这一点很重要，所以要单独说出来，这和SLAM中的旋转矩阵是一致的，因为旋转矩阵是正交阵，他们都不会改变状态量的大小，只是方向上的变化。四元数的表示以及基本运算书上写的很清楚，就不多说了。2.四元数求导这部分在...

VINS理论与代码详解3——IMU预积分二．Vins_estimate文件夹中         下面到第二部分了，也是整个框架的重点和难点，估计要花很长的时间学习和总计理论知识和代码逻辑，这一部分还是从论文的理论知识讲起，然后再附上代码消化理解。               论文内容：1.      论文第IV点的B部分IMU预积分，    IMU预积分的作用是计算出

本文内容主要针对第三章做知识总结概述：TensorFlow的工作原理分为计算模型，数据模型和运行模型三部分。1.TensorFlow计算模型-计算图1.1计算图模型tensorflow通过计算图的形式来表达计算的编程系统，其中那个tensorflow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。下图是典型的计算图模型1.2计算图使用 ...

官方文档：http://wiki.ros.org/cn/indigo/Installation/Ubuntu                         机器人操作系统浅析（中文版）主要参考博客：http://www.jianshu.com/p/04be841e2293官方安装lunar文档：http://wiki.ros.org/lunar/Installation/Ubuntu1.设置源2