SLAM学习第三章节本章节主要介绍了，各种旋转与平移的表现方法，最后使用Eigen库进行了一些相关的案例演示矩阵和向量向量点乘这个就不多说了，基本的问题向量叉乘a×b=∣ijkaxayazbxbybz∣a \times b = \left|\begin{array}{cccc}i&j&k\\a_x& a_y&a_z\\b_x& b_y& b_z\\\

实践课useGeometry.cpp多种变换演示Eigen#include <iostream>#include <cmath>using namespace std;#include <Eigen/Core>#include <Eigen/Geometry>using namespace Eigen;//本程序演示了Eigen几何模块的使用方法in

李群与李代数基础我们先来说说，欧式变换类型在优化时的困难，欧式变换如下：T=[Rt0T1]T=\left[\begin{matrix} R & t\\ 0^T & 1\end{matrix}\right]T=[R0T​t1​]其中旋转矩阵RRR虽然有9个数，但是各个数之间是有很强的约束的，对这种带有约束的数，优化是困难的，旋转矩阵的9个数，实际自由度只有3，因此我们需要对他进行转换

旋转向量1. 轴角法用一个轴绕着一定角度旋转表示旋转变换轴角法表示:(x,y,z,θ)(x,y,z,\theta)(x,y,z,θ)其中包含两个部分:轴:(x,y,z)(x,y,z)(x,y,z)角度:θ\thetaθ2. 旋转向量轴角法的轴:(x,y,z)(x,y,z)(x,y,z)方向的单位向量n⃗\vec nn轴角法的角度:θ\thetaθ旋转向量如下:(xiθ,yiθ,ziθ)(x^i \

SLAM学习（1-2章节）去年12月份学习SLAM相关内容，到今年三月份，将SLAM的相关内容学习了一边，现在开始写自己的博客，主要是为了复习以下相关的学习内容。相关的学习资料可以在以下git仓库上找到，SLAM讲个人觉得确实有些地方没有详细展开，本人在学习过程中查询了一些资料，将一些内容补充完整了！github仓库https://github.com/starnetB/CV_learning以上

BCH公式与近似形式ln(exp(ϕ1∧)exp(ϕ2∧))∨≈{Jl(ϕ2)−1ϕ1+ϕ2当ϕ1为小量Jr(ϕ1)−1ϕ2+ϕ1当ϕ2为小量ln(exp(\phi_1 ^{\wedge})exp(\phi_2^{\wedge}))^{\vee} \approx \left\{ \begin{matrix}J_l (\phi_2)^{-1} \phi_1 + \phi_2 & 当\phi_

一阶梯度下降法首先是多维目标函数的梯度展开F(xk+ΔXk)≈F(xk)+J(xk)TΔxk+12ΔxkTH(xk)ΔxkF(x_k+\Delta X_k) \approx F(x_k)+J(x_k)^T \Delta x_k +\frac{1}{2} \Delta x_k^T H(x_k) \Delta x_kF(xk​+ΔXk​)≈F(xk​)+J(xk​)TΔxk​+21​ΔxkT​H(xk

6.3 实践：曲线你和问题6.3.1 手写高斯牛顿法* 如何手写高斯牛顿法，如何使用对应的优化库求解这个问题。我们设定一个曲线方程:y=exp(ax2+bx+c)+w y=exp(ax^2+bx+c)+w y=exp(ax2+bx+c)+w设定如下：a,b,c为曲线的参数，也是我们需要迭代的参数w为高斯噪声,满足w (0,σ2w~(0,\sigma ^2w (0,σ2x,y为真