视觉SLAM十四讲 Chapter4 课后练习

在学习SLAM的过程中，我一直对用左扰动模型和右扰动模型求SE3的偏导有疑惑，好奇他们的计算结果有什么区别。本文用《SLAM十四讲》ch7的实验验证了两者的差别。

Slam学习笔记——推导1. 推导结论1.1 旋转矩阵1.2 变换矩阵1.2.1 结构1.2.2 左扰动1.2.3 右扰动1.3 反对称矩阵2. 推导过程 参考书籍：《视觉SLAM十四讲-从理论到实践》——高翔

转自：http://www.cnblogs.com/gaoxiang12/p/5577912.html 致敬原作者，请移步原作者博文详细浏览 前言 　　理解李群与李代数，是理解许多SLAM中关键问题的基础。本讲我们继续介绍李群李代数的相关知识，重点放在李群李代数的微积分上，这对解决姿态估计问题具有重要意义。  回顾 　　为了描述三维空间里的运动，我们使

使用Sophus库进行SO(3)、SE(3)的指数映射、对数映射、反对称矩阵获取等

分别详细推导了se(3)与 so(3)的左乘、右乘扰动模型的雅克比矩阵，特别提供了se(3)左乘扰动模型优化特征点的重投影误差的例子。

SLAM十四讲笔记 疑问 在4.3中，是只求这一个矩阵T吗？这个矩阵T描述了相机的位姿吗？也就是说相机的位姿是固定不变的吗? 第二讲 初识SLAM 经过第二讲的学习，我们应该明白SLAM各个组成部分及其功能，同时对SLAM问题的数学描述有简单的认识。 2.2 经典SLAM框架 前端视觉里程计 该部分的任务是估算图像间相机的运动，以及局部地图的样子。 后端非线性优化 后端接受不同时刻视觉里程计测量的相机位姿，以及回环检测的信息，对它们进行优化，得到全局一致的轨迹和地图。 回环检测 回环检测判断机器人是否

关于什么时候使用左扰动，什么时候使用右扰动

李群、李代数在SLAM中的应用 以VINS_MONO为例子

李代数求导是SLAM的基础，由于SLAM待求解的状态量包含旋转，而旋转状态量为了避免歧义，往往采用更高维的四元素或者旋转矩阵表示。为了通过优化的方法更新旋转状态量，需要求出旋转后的点关于旋转状态量的雅可比。

以下均为简单笔记，如有错误，请多多指教。 验证SO(3)SO(3)SO(3)、SE(3)SE(3)SE(3)和Sim(3)Sim(3)Sim(3)关于乘法成群。 证： 已知SO(3)={R∈R3×3∣RRT=I,det(R)=1}SO(3)=\lbrace{R\isin\R^{3\times3}| RR^T=I,det(R)=1}\rbraceSO(3)={R∈R3×3∣RRT=I,det(R...

笔记扫描版

[视觉SLAM十四讲]学习笔记6-李代数求导与扰动模型[左乘]

前言slam中一个关键问题之一就是求解相机的位姿，人们找了很多以相机位姿为变量的误差函数，比如光度误差，重投影误差，3D几何误差等等，希望使得误差最小，进而求得比较准确的相机位姿。举一个重投影例子： T∗=min12∑i=0n||ui−1siKTPi||2(1) T^* = min \frac{1}{2} \sum_{i=0}^n || u_i - \frac{1}{s_i}KTP_i||^2 \