g2o学习

slam：定位与建图。概念解析。

滤波与优化： 因为基于滤波的理论，滤波器稳度增长太快，这对于需要频繁求逆的EKF（扩展卡尔曼滤波器），PF压力很大。而基于图的SLAM，通常以keyframe（关键帧）为基础，建立多个节点和节点之间的相对变换关系，比如仿射变换矩阵，并不断地进行关键节点的维护，保证图的容量，在保证精度的同时，降低了计算量。 摘自：https://www.cnblogs.com/zengcv/p/5994587.ht...

1.理解滑动窗口优化 2.理解位姿图优化 3.理解带IMU 紧耦合的优化

这篇让我很好理解了图优化， 而且知道现在主流方法是图优化不是滤波了。 转载自：https://www.cnblogs.com/CV-life/p/10286037.html 从零开始一起学习SLAM | 理解图优化，一步步带你看懂g2o代码 2019-01-18 09:42 计算机视觉life 阅读(10878) 评论(0) 编辑 收藏 举报 首发于公众号：计算机视觉life 旗下知识星球「从零开始学习SLAM」 这可能是最清晰讲解g2o代码框架的文章 理解图优化，一步步带你...

1.常用的两种优化方法介绍 SLAM问题的处理方法主要分为滤波和图优化两类。滤波的方法中常见的是扩展卡尔曼滤波、粒子滤波、信息滤波等，熟悉滤波思想的同学应该容易知道这类SLAM问题是递增的、实时的处理数据并矫正机器人位姿。比如基于粒子滤波的SLAM的处理思路是：假设机器人知道当前时刻的位姿，利用编码器或者IMU之类的惯性导航又能够计算下一时刻的位姿，然而这类传感器有累计误差，所以再将每个粒子的激光传感器数据或者图像特征对比当前建立好的地图中的特征，挑选和地图特征匹配最好的粒子的位姿当做当前位姿...

g2o学习笔记-orbslam2中如何使用g2o进行非线性优化

/home/～/code/GraphSLAM_tutorials_code/g2o_test/main.cpp:26:62: error: no matching function for call to ‘g2o::BlockSolver<g2o::BlockSolverTraits<-1, -1> >::BlockSolver(g2o::BlockSolver<g...

主旨：不管白猫黑猫，抓到老鼠就是好猫！ 卡尔慢滤波（线性/非线性）：一般用于低算力平台，输出实时结果，公式比较简单，一般找到模型就好办，比较考验调PQR的工程经验和功力; 因子图：好处当然是精度提高了，多迭代几次肯定比迭代一次靠谱，这样抑制误差的时间又可以变得更长了。又有历史数据作为决策，其实卡尔慢滤波也是从历史数据迭代出来的（但不保存历史数据），输出的协方差也可以作为判据使用，所以我觉得这两种就是卡尔慢滤波就平台而言比较通用，因子图是卡尔慢滤波的进化版本。因子图考验的东西就更多了，第一，模型功力要求高

参考书：slam十四讲 着重理解作者是如何将滤波的方法和优化的方法统一到贝叶斯的框架下的. 经典SLAM模型： {xk=f(xx−1,uk)+wkzk,j=h(yj,xk)+vk,j{xk=f(xx−1,uk)+wkzk,j=h(yj,xk)+vk,j \left\{\begin{matrix} x_k=f(x_{x-1},u_k)+w_k \\ z_{k,j}=h(y_j,x_...

Simultaneous Localization and Mapping (SLAM)的处理方法主要分为滤波和图优化两类。 基于滤波器的SLAM 其中，黑色的为预测（经验），红色的为观测 图例 观测 预测（经验） 概率 图一 未观测到特征 初始经验无 各个位置等概率 图二 观测到特征 经验更新 三个有门位置的概率增加 图三 未观测到新的特征 经验保持 随着运动模型，概率平移，并平滑 图四 观测到新的特征 经验更新 当前位置为第二个门的概率增高 其中，Z为观测，X为状态

SLAM的后端一般分为两种处理方法，一种是以扩展卡尔曼滤波（EKF）为代表的滤波方法，一种是以图优化为代表的非线性优化方法。不过，目前SLAM研究的主流热点几乎都是基于图优化的。 滤波方法的优缺点： 优点：在当时计算资源受限、待估计量比较简单的情况下，EKF为代表的滤波方法比较有效，经常用在激光SLAM中。 缺点：它的一个大缺点就是存储量和状态量是平方增长关系，因为存储的是协方差矩阵，因此不...

g2o图优化简单入门

slam中优化方法和滤波方法的本质区别是什么？ 本回答参考自知乎 知乎回答

1.图优化的入门 在上节中，直接用俩俩匹配搭建一个里程计，但是如果：1.错误匹配，整个图就会看起来很奇怪，就是错了。2.误差会累积，常见的现象是：相机转过去的过程能作对，但转回来就很奇怪。3.效率低。由于地图拼接中累计误差是个很严重的问题，所以要保证每次匹配都精确无误，而这是很难实现的。所以我们把所有整的信息都考虑进来，成为一个全slam问题。 姿态图（原理部分） 姿态图，是由相机姿态构成的...

写在前面 跟着g2o的slam2d_tutorial进行了学习，发现自己对于顶点和边的理解还是不太够，觉得有必要把顶点和边的一些东西再给总结一下，主要参考的就是如下网站： http://docs.ros.org/fuerte/api/re_vision/html/namespaceg2o.html 这个网站里面有较为全面的g2o的类以及函数的讲解，很方便。 g2o的顶点（Verte...