5. 特征点法视觉里程计
概念介绍:
SLAM (simultaneous localization and mapping), 即时定位与地图构建,被很多学者认为是实现真正全自主移动机器人的关键。直白地讲,SLAM指的是当某种设备(如机器人、VR设备等)来到一个完全陌生的环境时,它需要精准地建立时间和空间的对应关系,并能优秀地回答以下一系列问题:我刚才在哪里,现在在哪里?我看到了什么,现在看到的和之前看到的有哪些异同?我过去的行走轨迹是什么?我现在看到的世界是什么样子,和过去相比有怎样的变化?我的轨迹抖吗,我的位置飘吗?我还能跟踪到自己的轨迹吗,如果我丢了应该怎么办?我过去建立的对世界的认识还有用吗?我能在已有世界的抽象里快速对我现在的位置进行定位吗?
当下,SLAM正在AR、机器人、无人机、无人驾驶等领域火速入侵,用夸张点的说法,就像移动互联网时代的手机地图定位一样,只要是跟位置相关的生意,谁抛弃了这张地图,谁将抛弃了自己的未来。
本课程主讲内容有以下:
1. 概述与预备知识
1.1 课程内容提要与预备知识
1.2 SLAM是什么
1.3 视觉SLAM数学表述与框架
1.4 Linux下的C++编程基础
1.5 实践:Hello SLAM
2. 三维空间的刚体运动
2.1 点与坐标系
2.2 旋转矩阵
2.3 旋转向量与欧拉角
2.4 四元数
2.5 相似、仿射和射影变换
2.6 实践:Eigen矩阵运算
2.7 实践:Eigen几何模块
3. 李群与李代数
3.1 群
3.2 李群与李代数
3.3 指数与对数映射
3.4 李代数求导与扰动模型
3.5 实践:Sophus李代数运算
4. 相机模型与非线性优化
4.1 针孔相机模型与畸变
4.2 图像的组成
4.3 从状态估计到最小二乘
4.4 非线性优化与最小二乘法
4.5 实践:Ceres曲线拟合
4.6 实践:g2o曲线拟合
5. 特征点法视觉里程计
5.1 特征点的提取与匹配
5.2 对极几何
5.3 三角测量
5.4 3D-2D:PnP
5.5 3D-3D:ICP
5.6 实践:ORB特征点
5.7 实践:PnP
5.8 实践:ICP
6. 直接法视觉里程计
6.1 直接法的引出
6.2 光流
6.3 直接法
6.4 实践:LK光流
6.5 实践:RGB-D直接法
7. 后端优化
7.1 滤波器
7.2 Bundle Adjustment与图优化
7.3 Pose Graph
7.4 Factor Graph
7.5 实践:g2o/Ceres实现的Bundle Adjustment
7.6 实践:Pose Graph
8. 回环检测
8.1 概述
8.2 词袋模型
8.3 实践:建立字典以计算图像间相似性
8.4 课程小结
公开笔记对他人可见,有机会被管理员评为“优质笔记”
{{ noteEditor.content.length }}/2000
讲师收到你的提问会尽快为你解答。若选择公开提问,可以获得更多学员的帮助。
课程大纲