slam十四讲中的资源文件11111111

使用單個相機和投影儀來實現定制的 3D 結構光掃描儀。它是模塊化的，專注於處理速度，能夠以 20 Hz 及更高的頻率實時捕獲結構光 依賴下列函數庫 Qt 5.X OpenCV 4.x Point Cloud Library 1.7 VTK 7 PCLVisualizer Boost Eigen FLANN GLEW 該項目還包含用於 OpenGL 投影儀和相機的 Matlab mex 包裝器。這使得確定您的相機投影儀設置或其他調試任務的伽馬響應成為可能。mex 包裝器是通過運行 matlab/make.m 從 Matlab 編譯的。僅在 Ubuntu 上測試。

使用三步相移方法實現 3D 掃描儀 在校准設置中，使用投影儀將特殊條紋圖案投射到目標物體上。然後，相機為每個不同的圖案捕捉場景。當相機從與投影儀不同的角度看到條紋時，它們會出現與物體表面深度成比例的扭曲。從失真圖案與原始圖案的差異，可以重建每個像素的深度。 在根目錄中，您會找到各種代碼，例如算法的實現、簡單的命令行測試應用程序、用於生成條紋圖案圖像的腳本以及用於將結果查看為 3D 點雲的代碼。 slapp目錄包含具有基本用戶界面的圖形應用程序 ,基本功能有 (捕捉圖像,進行重建,觀察點雲,校準參數的簡單調整等雛形功能 ) 函數庫要求 C++ 編譯器 OPENCV OpenGL QT 4 操作系統：Linux

详解orb slam2的Tracking线程!

《机器人SLAM导航核心技术与实战》先导课：课程大纲 第1章 ROS入门必备知识 第2章 C++编程范式 第3章 OpenCV图像处理 第4章 机器人传感器 第5章 机器人主机 第6章 机器人底盘 第7章 SLAM中的数学基础 第8章 激光SLAM系统 第9章 视觉SLAM系统 第10章 其他SLAM系统 第11章 自主导航中的数学基础 第12章 典型自主导航系统 第13章 机器人SLAM导航综合实战

iSCAN 算法 有关详细信息，请阅读描述算法和机器人功能的完整论文。 该项目包含三个使用 MapperBot 收集的 LIDAR 行数据示例，以运行演示：\iSCAN\main.m 您可以通过取消注释里面的相关文件来尝试不同的测量：\iSCAN\main.m 您可以在下面更改算法参数文件：\iSCAN\Parameters.m 映射器机器人 Arduino 的源文件位于文件夹中：\ArduinoSourceCode 文件夹中的 硬件布局和照片：\HardwareDesign 文件：\Robot Control\A01_MapperBot_Mouse.m 将允许您在 Matlab 环境中使用鼠标控制 MapperBot。

matlab的slam代码大鼠SLAM 从 code.google.com/p/ratslam 自动导出 修改 cv_bridge和依赖修复。 实现了/ExperienceMap/GetDistance服务，它接受两个 ID 并返回时间距离。 在/ExperienceMap/SubGoal上发布 sub_goal 距离和方向 颠倒目标顺序，LILO 代替 FIFO。 限制 ExperienceMap 大小。 来自master分支的原始自述文件。 RatSLAM lite C/C++/MATLAB 版本由 David Ball 博士 () 和 Scott Heath 先生 () 编写和版权所有 2011 该程序是根据 GNU GPL 条款分发的免费软件。 有关完整详细信息，请参阅 license.txt。 关于 引用作品D. Ball、S. Heath、M. Milford、G. Wyeth 和 J. Wiles，“A Navigating Rat Animat”，人工生命，2010 使用所有参数都应该在 config.txt 文件中设置。 该程序已在 Windows 7 和 Ubunt

结合现有资料，对VINS边缘化原理进行了分析，包括边缘化的原因，基本原理和实际处理逻辑等，对公式进行了详细推导。

深度学习面试书：深度学习面试宝典（含数学，机器学习，深度学习，计算机视觉，自然语言处理和SLAM等方向）

Abstract— Visual-inertial SLAM (VI-SLAM) requires a good initial estimation of the initial velocity, orientation with respect to gravity and gyroscope and accelerometer biases. In this paper we build on the initialization method proposed by Martinelli [1] and extended by Kaiser et al. [2], modifying it to be more general and efficient. We improve accuracy with several rounds of visual-inertial bundle adjustment, and robustify the method with novel observability and consensus tests, that discard erroneous solutions. Our results on the EuRoC dataset show that, while the original method produces scale errors up to 156%, our method is able to consistently initialize in less than two seconds with scale errors around 5%, which can be further reduced to less than 1% performing visual-inertial bundle adjustment after ten seconds