3——IMU预积分论文内容：1.论文第IV点的B部分IMU预积分，IMU预积分的作用是计算出IMU数据的观测值（就是IMU预积分值）以及残差的协方差矩阵和雅各比矩阵，那就要清楚的明白为什么要计算这三个量？计算出这三个量为什么就可以和视觉观测值进行耦合？如果你现在回答不出来，请好好想一想自己以前学到的知识，关于视觉的这三个量，视觉中观测值是用来计算残差的（也就是误差），残差的雅各比矩阵是优化中下降的

一、ORB特征ORB（OrientedFASTandRotatedBRIEF）是一种快速特征点提取和描述的算法。ORB算法分为两部分，分别是特征点提取和特征点描述。特征提取是由FAST（FeaturesfromAcceleratedSegmentTest）算法发展来的，特征点描述是根据BRIEF（BinaryRobustIndependentElementaryFeatures）特征描述算法改进的

第三章作业（含关键点细节及思维过程）[3]:[基础知识点]LM算法——阻尼因子更新策略(Nielsen)——内容与代码解析[4]:g2o使用总结[5]:[MVG]鲁棒估计:RANSAC&鲁棒核函数[6]:[V-SLAM

随机采样一致算法1.1相关定义1.2完整的RANSAC算法1.2.1估计模型——拟合2D直线1.2.2内点阈值ttt1.2.3采样次数NNN1.2.4内点数量阈值TTT1.3核心代码1.4实验结果2.鲁棒核函数在V-SLAM

只需要将对应的顶点和约束分别赋值过去就可以了.这篇文章我们来看一下另一个比较常用的优化库Ceressolver.1ceres简介Ceressolver是谷歌开发的一款用于非线性优化的库,在激光SLAM和V-SLAM

V-SLAM笔记整理总结参考博文：https://blog.csdn.net/qq_33414553/article/details/81270112SLAM（即时定位与建图）理解：建图：描述机器人制图

一、前言笔者认真学习了一年半有余的SLAM，期间学习过V-SLAM、VI-SLAM、激光SLAM和激光+IMU的SLAM，在看论文和代码的闲暇之余，会时常逛知乎和CSDN等博客膜拜大佬们的文章，回顾整个过程

ORB-SLAM3学习第零章–研究综述第一章–非线性最小二乘法文章目录ORB-SLAM3学习前言一、非线性最小二乘法在V-SLAM算法中的应用和简单理解1.1在V-SLAM中的简单说明1.2最小二乘法的简单引入二

摘要：本文概述了视觉同步定位和测绘（V-SLAM）。我们讨论了SLAM和视觉系统领域的基本定义，并对用于移动机器人视觉和SLAM的最先进方法进行了回顾。

近年来，随着自主导航的广泛应用，视觉同时定位与地图构建(Visualsimultaneouslocalizationandmapping,V-SLAM)通过自身携带的视觉传感器对周围环境进行重构并且估计出自身的位置

面经问题集：https://blog.csdn.net/weixin_43795395/article/details/89762278基础矩阵F、本质矩阵E、单应矩阵H的理解和推导：（至关重要）https://www.zhihu.com/question/27581884/answer/105606049单目相机，F和H矩阵有何不同，E和F矩阵有何不同E：本质矩阵F：基本矩阵H：单应矩阵E=t*

至于图形学绘制时，相机外参的解算使用的是V-SLAM、Marker-Based还是GPS的方法，就不一而足了。所以说要在手机上进行现实场景的展现也是目前AR应用

经过一些自己的调研和向一位远在日本从事SLAM研究的老师的请教，最后决定用V-SLAM的方法来实现第一阶段的任务。经过一段时间的钻研，我个人决定用ORBSLAM2。

背景在AR应用中，由于虚拟物体的叠加目标通常为图像、视频，因此基于图像、视频等视觉信息的V-SLAM方案，对于确保虚实融合效果在几何上保持一致有着天然的优势。

上周已完成的工作（2018.6.19-2018.6.22）学习吴教授strategiesplanning参加小组月度和半年工作总结会参加华中科大钟胜副院长《成像实时自动目标识别及其应用》讲座小组基础学习讨论会v-slam

研究背景：后端优化原理大多人都比较清楚，但是实现起来不是个容易的事情，而回环检测部分在自己测试之后发现，这部分在vSLAM中也是至关重要的，本文的给出了在没有好的回环下得到的地图样例。1.几个坏的回环结果2.问题描述误差积累：相机转过去的过程正常运行，但转回来时会出现明显偏差;点云重建效率：在线点云更新速度较慢,不实时显示速度影响不大.3.VO－视觉里程计的问题帧----帧，匹配获取相机位姿相邻帧