记录

目标：理解slam的框架以及它的理论知识。供以后自己查阅。第三章：主要讲一些基本的数学知识，包括点，向量，旋转矩阵三大类，高翔老师图文并用的方式讲的非常清晰。点点需要在某个坐标系下的表达，一般在世界坐标系表达，一般情况是e0=[100]e_0=\begin{bmatrix}1\\0\\0\end{bmatrix}e0​=⎣⎡​100​⎦⎤​, e1=[010]e_1=\begin{bmatrix}

目的：最近使用远程服务器去处理一些数据，涉及到数据的传输。因为不熟悉远程传输，所以记下供后续查阅。其中username 为用户名，111.11.11.11为ip地址，-p 15022为端口。完成ssh配置后，发现有些数据需要下载或者传输。因为使用ssh远程登录，操作。配置和登录等等，后续补充。配置（省略，后续补充）

记录

本文研究了LineSLAM中线特征融合过程中的线段法向量(Normal)理解问题。通过对LSDmatcher::Fuse()函数的分析，重点关注了线段法向量在视角检查中的作用。代码显示，法向量通过OM.dot(pn)<0.5*dist条件来判断线段是否可见，其中OM是线段中点指向相机的向量，pn是线段法向量。该条件确保了只有当观察方向与线段法向量的夹角在一定范围内时才会被保留，避免了边缘化问

本文对比了两种计算线特征描述子距离的方法：一种是Line SLAM/ORB-SLAM中使用的手写优化代码，另一种是基于OpenCV的norm函数实现。手写版本通过位运算优化（类似popcount算法）实现了极高性能，适用于固定32字节描述子，但不通用且缺乏安全检查；OpenCV版本则更安全通用但性能略低。文章提出了一个工程解决方案：通过编译宏USE_FAST_HAMMING实现两种方法的自动切换，

空间中：计算直线和平面的交点

最近一直研究相机，看一些相机位姿和相机外参，对从世界坐标系和相机坐标系进行对应总是记错，所以记录：假设相机相机的位姿定义为：

但是在具体的应用中，**常常拿极限约束来判断相机的位姿是否准确，对于这个介绍相对较少。**本博客将介绍在一直相机的内外参数的情况下，怎么完成相机的极限约束。假设中左边的相机为世界坐标系。上述是假设两个相机之前的关系。其中世界坐标系为左边相机的坐标系。计算得到的第二个相机的参数(它是相机位姿态，它是指的是在第一个坐标系下的。是相机内参数，它表示从相机坐标系转换为图像坐标系上。基于极限的几何关系，需要

向量叉乘定义，行列式和面积关系