Skip to main content

一、VO篇（monocular、stereo）

单目相关的一些资源

1、该作者实现了最简单的单目、Stereo VO，都是基于点特征的

Monocular Visual Odometry using OpenCV

Visual Odmetry from scratch - A tutorial for beginners   

2、Matlab官方文档中的例子：

Monocular Visual Odometry

3、基于RANSC野点剔除：

https://github.com/sunzuolei/mvo_ransac/tree/master/mvo_ransac

  在Android平台的实现：https://github.com/sunzuolei/mvo_android

 https://github.com/sunzuolei/vo_basis 这里还向相关的视频

 4、论文+代码

 http://www.cs.cmu.edu/~rahuls/pub/icra2005-rahuls.pdf

http://www.cs.cmu.edu/~vo/vo-0-2.tgz

 5、libviso2  单双目

 

基于点和线的VO：包括双目、单目(svo)

http://mapir.uma.es/mapirwebsite/index.php/people/115-people/164-ruben-gomez.html

 

6、fovis

7、bpvo

https://github.com/halismai/bpvo 

该套算法来自CMU，以及作者的另一套开源算法photobundle，有作者的博士论文链接，拜读。

 

 

 

双目vo：

 https://github.com/ucsdxiaoyuzhou/CSE252C_visual_odometry

https://github.com/fovis/fovis 深度相机或者stereo

https://github.com/jaiprakashgogi/visualodometry 带有简短的算法说明，单双目都有，先学这个吧

双目slam：

https://github.com/srv/stereo_slam   论文中用于水下机器人，该仓库中也有一些针对水下机器人的东东

  https://github.com/srv/6dof_stereo_ekf_slam

 

一套完整的定位方案：

https://github.com/cra-ros-pkg/robot_localization

里程计+2个IMU+2个GPS

 在ros官网上就有

 

冯兵大神的博客：

 一步步完善视觉里程计        一步步实现svo，属于直接法。

一步步实现SLAM              一步步分析ORB-SLAM2

Comments

Post a Comment

Popular posts from this blog

电子书籍整理

状态估计： 神书：  stste estimation for robotics.  barfoot 微分集合&李群： 李群的大部头神书： Notes on Differential Geometry and Lie Groups INTRODUCTION TODIFFERENTIAL GEOMETRY Introduction to Smooth Manifolds & Lie Groups INTRODUCTION TO DIFFERENTIABLEMANIFOLDS  (笔记类型，一百多页) 一个很好的教学笔记： Lie groups, Lie Algebras, projective geomtry and optimization for 3D Geometry, Engineering and Computer Vision 张量：  A Student’s Guide to Vectors and Tensors
Post a Comment
Read more

ROS、惯导、OpenCV、开源算法中坐标表示的理解

ros中tf系统的坐标表示： http://wiki.ros.org/tf/Overview/Transformations tf中坐标转换方向 ros中各个坐标系的定义： http://www.ros.org/reps/rep-0105.html#odom rovio算法中的坐标表示： https://github.com/ethz-asl/rovio/wiki/Coordinate-Frames-and-Notation 变换的理解：       两个坐标系的同一个点，由c1系转换到c2系，称为坐标变换，或俗称点变换;只考虑两个坐标系的变换，称为基变换，俗称坐标系变换。坐标变换和基变换方向相反，但表达的坐标系是同一个。变换要考虑变换的方向和描述的坐标系两个问题。 一般的变换中，都是以坐标系下的一个坐标点作为参照进行转换推导，参见《视觉SLAM14讲》P41的推导。因此，得到的变换R、t，是坐标的变换，即简单的理解为点的变换。 在VIO中一样，IMU即使看不到点，也以其坐标系下的 一个点作为参考(比如，将重力从n系转换到b系，将重力看作一个点)。 考虑点P在1、2坐标系的表示分别为P1、P2， 坐标点P从P1变换到P2： P2 = R_21*P1+ t_21_2 坐标系1、2的坐标基变换则为从2变换到1： R_12 、 t_12_2 因此，坐标变换的描述坐标系为终点坐标系，基变换的描述坐标系为起点坐标系 在tf/message的ros框架下，以tf为例： 描述坐标系为frame_id, -> 全局坐标系 坐标基变换（坐标系变换）：frame_id -> child_frame_id 坐标变换(点变换)：child_frame_id -> frame_id 在ros message中变换也是基于坐标基的变换。  有的是基于点的，查看源码的注释，比如loockTransform(),注释中就说了是变换data。sendTrsnform（）中通过frame_id和child_frame_id进行识别。 更新： 最直接的记忆方式就跟据全局坐标系， 比如，标定结果中，T_cam0_imu, 意味着将点从imu坐标系转换到cam0坐标系，对于...
Post a Comment
Read more

ros调试----rosparm

当程序有许多参数传入时，通常会通过rosparm进行传递， 传递形式为在roslaunch文件中的node中，使用rosparm，比如 <node pkg="tvio" type="image_processor_node" name="image_processor"  output="screen" >       <rosparam command="load" file="$(arg calibration_file)"/>       <param name="grid_row" value="4"/>       <param name="grid_col" value="5"/>       <remap from="~imu" to="/xsens_imu_data"/>       <remap from="~cam0_image" to="/camera/left/image_raw"/>       <remap from="~cam1_image" to="/camera/right/image_raw"/>  </node> 其中，calibration_file为指定的rosparam格式的yaml文件。 可以通过launch文件启动调试，但是不是很习惯，还是喜欢用Clion的可视化调试。 方法： 1）在终端中手动加载rosparam参数： python /opt/ros/kinetic/bin/rosparam  load  /xxxx/camchain.yaml 参数一旦加载后，会保持在本机上的参数服务器中（是不是和roscore相关），程序运行就能读取到。 2）remap中的参数项通过程序的命令行参数形式传入： image_processor   ~imu:=/xsens_imu_data...
Post a Comment
Read more