计算机视觉life从零开始一起学习SLAM 学习笔记文章目录推导李代数小se(3)的指数映射Sophus库练习问题：推导李代数小se(3)的指数映射(题目来自计算机视觉life)题目:推导李代数小se(3)的指数映射。我们知道对于大SE(3)，其对应的李代数为小se(3)。其定义如下：se(3)={ξ=[ρϕ]∈R6,ρ∈R3,ϕ∈so(3),ξ∧=[ϕ∧ρ0T0]∈R4×4}\mathfrak{

SLAM 学习笔记文章目录g20框架求解步骤1创建一个线性求解器2创建BlockSolver3创建总求解器solver4创建稀疏优化器（SparseOptimizer）5定义顶点和边并添加顶点定义顶点举个栗子添加顶点边定义边举个栗子添加边6设置优化参数并开始执行优化g20框架在SLAM领域，基于图优化的一个用的非常广泛的库就是g2o，它是General Graphic Optimization 的

从零手写SLAM笔记文章目录简单循环、自动类型推导、列表初始化lambda函数sort()函数简单循环、自动类型推导、列表初始化题目:请使用C++新特性改写以下函数。该函数功能:将一组无序的坐标按照“Z”字形排序,并输出。题目如下图所示:知识点:熟悉C++新特性(简化循环、自动类型推导、列表初始化、lambda函数/*)#include <opencv2/opencv.hpp>#inc

SLAM 学习笔记写在前面的话：算是一点小小的感悟吧(*￣︶￣)估计位姿的方法有线性方法和非线性方法，线性方法就是特征点法中的2D-2D的对极约束，3D-2D的PnP问题。非线性方法有BA优化，它将位姿的估计问题转换成了一个误差关于优化量的最小二乘极值问题，它通过雅克比矩阵指导迭代方向，获得最优的位姿。需要注意的是g2o是一个图优化库，是一个非线性优化库，在使用线性方式求位姿的时候用不到这个库，一

SLAM 学习笔记文章目录对极约束讨论对极约束以下题目来自计算机视觉life从零开始一起学习SLAM系列题目: 证明:对三维列向量下面等式恒成立。其中等式左边 X 表示叉乘,等式右边上三角符号表示反对称矩阵。a⃗×b⃗=a⃗∧b⃗\vec{a} \times \vec{b}=\vec{a}^{\wedge} \vec{b}a×b=a∧b这个证明还是比较简单的，利用叉乘和^ 的定义即可。讨论对极约束

齐次坐标题目:证明:两点p, q 的叉乘 可以表示 过两点的直线l,即 l = p x q.知识点:齐次坐标参考答案:已知两个点p, q,记p×q=lp×q=lp×q=l，则：(p×q)∗pT=l∗pT=0(p×q)*p^T= l*p^T=0(p×q)∗pT=l∗pT=0(p×q)∗qT=l∗qT=0(p×q)*q^T = l*q^T=0(p×q)∗qT=l∗qT=0所以点p,q都在直线lll上，

从零手写SLAM笔记文章目录格式化图像名字eigen基本操作格式化图像名字题目:SLAM是处理序列图像的,有时候需要格式化的图像名字用作输入。前面提到的TUM的RGB-D数据集中图像是根据时间命名的,请从下面链接下载数据集fr1/desk Computer Vision Group - Dataset Download 并解压。请编程实现将文件夹/rgb下以时间命名的序列图片重新命名为0000-9

SLAM 学习笔记文章目录单应矩阵总结：单应矩阵以下题目来自计算机视觉life从零开始一起学习SLAM系列题目: 利用OpenCV编程实现虚拟广告牌的效果。提供两张图,一张是“计算机视觉life”公众号的logo,另外一张是带广告牌的原图,请用单应矩阵实现将原图中广告牌替换为提供的logo的效果。要求通过鼠标点击来选择要替换的广告牌的四个顶点。代码框架及图片见: 链接:https://pan.ba

从零手写SLAM笔记文章目录旋转方式转化讨论旋转方式转化题目1:已知旋转矩阵定义是沿着Z轴旋转45°。请按照该定义初始化旋转向量、旋转矩阵、四元数、欧拉角。请编程实现:1、以上四种表达方式的相互转换关系并输出,并参考给出的结果验证是否正确。2、假设平移向量为(1,2,3),请输出旋转矩阵和该平移矩阵构成的欧式变换矩阵,并根据欧式变换矩阵提取旋转向量及平移向量。**知识点:**1、学习eigen中刚

SLAM 学习笔记文章目录推导ICP求解ICP原理线性方法（SVD分解）非线性方法ICP实战代码总结ICP全称Iterative Closest Point，翻译过来就是迭代最近点。ICP在点云配准领域应用的非常广泛，因此基于深度相机、激光雷达的算法使用ICP的频率比较高。推导ICP以下题目来自计算机视觉life从零开始一起学习SLAM系列推导ICP中的一个步骤证明：《视觉SLAM十四讲》第174