三维空间中的旋转有很多种表示方式，欧拉角，旋转矩阵，旋转向量，四元数。由于在slam与机器人中会大量用到这方面的知识，所以在这里将此方面的知识总结一下，方便以后查阅。 在slam系统中一般使用四元数来存储姿态（也有使用旋转矩阵的，不过比较少），不使用旋转向量，个人认为原因主要在于： 首先得到一个旋转向量之后，我们是不可以直接通过类似相加的方式对旋转向量进行更新的，而矩阵和四元数的更新（乘法）是有

自动驾驶 一些有的没得今天就不扯了，毕竟历史、事件、定义之类的经常看，经常忘。 我理解的自动驾驶系统是是由两部分组成的：感知与决策。本文主要从这两个大方向入手，对其麾下的一些不可或缺的功能模块进行描述。 1. 感知系统 我将感知问题分为两部分，第一是对世界的感知与理解，第二个就是对自身的感知与理解。 不过这样将有些过于抽象，实际在自动驾驶中我们并不会那么泾渭分明的完成它们，甚至我们更多的是完成

很长时间没有用ros了，刚好这几天手头有一台闲置的\(turtlebot\)，于是就想用它验证一些导航算法。重新看ros的官网教程，写的很好，但是每一节讲的东西很少，而我这里网速不快，每次打开新的网页都要等一会，超级费时间，所以写篇博客将ros的常用操作概括归纳一些，以后忘记了方便查阅。 ros ROS是一个用于开发机器人应用程序的、类似操作系统的机器人软件平台。ROS提供开发机器人应用程序时所需

slam是中文全名是同时定位与建图，但是大家更多关注的都是slam的定位作用，而对于建图，也许是因为三维重现、sfm之类的研究方向已经很多了，所以在slam大家对其的关注小了很多。本文主要就是简单讲解一下slam中进行单目稠密建图的一个思路。 之所以只讲单目的稠密建图，这是因为，首先，对于RGBD图，我们已知所有点的深度，可以直接生成稠密的点云，可讲的东西不多(其实还是很多的，但我现在了解的还不

在slam中，前端负责提供轨迹与地图的初值，后端负责对轨迹与地图进行优化。在小范围的环境中，前端与后端便已经够用了。但是当活动的范围增加以后，这一类只依靠内部传感器（相机、imu等）的定位方法不可避免的会出现累积误差，这时因为虽然我们可以使用ba等优化方式进行优化，但是这种优化方式毕竟还是局部的（比如某一个位姿下会有大部分的地图点是看不到的）。 回环检测 回环检测与累积误差 拿视觉slam来说，虽

在视觉slam与sfm中，BA是很常见的参数优化方法。它的全名是 Bundle Adjustment，中文翻译有捆集调整、光束法平差等。 BA的主要思想是最小化重投影误差，以其作为目标函数来优化位姿、地图点、相机参数等。 计算投影点 根据以前的两篇博客相机成像模型与相机畸变与标定，我们可以知道将一个地图点投影到像素平面上流程如下： 首先，世界坐标系下有一个固定的点P，世界坐标是 \(P_{w

本文主要介绍如何使用滤波器(卡尔曼滤波器与扩展卡尔曼滤波器)进行状态估计。 状态估计问题 首先列出状态估计方程，由运动方程与观测方程组成 \[ \left\{\begin{array}{l}{\boldsymbol{x}_{k}=f\left(\boldsymbol{x}_{k-1}, \boldsymbol{u}_{k}\right)+\boldsymbol{w}_{k}} \\ {\bolds

什么是非线性优化 对于最优化问题，如果目标函数是非线性的，那就是非线性优化问题，如果目标函数是凸函数，那就是凸优化问题。 首先需要说明的是，最初的问题其实是一个最优化问题。所谓的最优化问题其实就是寻找最优解的问题，一般形式是寻找函数的最大值或者最小值(一般都是将问题转换成求解目标函数的最小值)。 而非线性优化问题就是针对一个非线性函数求最值的问题。其实，在我们初高中的时候就已经求解过非线性优化

本文主要介绍一下视觉slam中的状态估计问题，并介绍如何将非线性最小二乘与其联系起来。 状态估计问题 首先介绍一下slam中的状态估计问题，这个问题由一个运动方程与一个观测方程构成。 \[ \begin{equation} \begin{cases} x_{k} = f(x_{k-1}, u_{k}) + w_k \\ z_{k,j} = h(y_j, x_{k}) + {\upsilon}_{

\(SO(3)\)李代数上的扰动模型求导是slam中使用最广泛的公式。！！！ 在上一篇博客中我们了解了李群与李代数的定义，那么知道这些有什么用呢？ 我们经常构建与位姿有关的函数，然后讨论该函数关于位姿的导数，以调整当前的估计值。表示姿态的李群\(SO(3)\)与表示位姿的李群\(SE(3)\)上并没有定义加法，而求导数是需要加法的。因此此时如何求导就成了一个需要解决的问题，它们的李代数由向量组