g2o-通用图优化
Linux： 视窗：
g2o是用于优化基于图的非线性误差函数的开源C ++框架。 g2o被设计为易于扩展到各种问题，通常可以在几行代码中指定一个新问题。 当前的实现为SLAM和BA的多个变体提供了解决方案。
机器人技术和计算机视觉中的许多问题都涉及到最小化可以表示为图形的非线性误差函数。 典型实例是同时定位和映射（SLAM）或捆绑包调整（BA）。 这些问题的总体目标是找到能最大程度解释受高斯噪声影响的一组测量值的参数或状态变量的配置。 g2o是用于解决此类非线性最小二乘问题的开源C ++框架。 g2o被设计为易于扩展到各种问题，通常可以在几行代码中指定一个新问题。 当前的实现为SLAM和BA的多个变体提供了解决方案。 对于特定的问题，g2o的性能可与最新方法的实现相媲美（02/2011）。
描述方法的论文
Rainer Kuemmerle，Giorgio Gris
2021-07-22 21:03:05
2.16MB
1
ORB-SLAM3
V0.4：Beta版，2021年4月21日
作者：卡洛斯·坎波斯（Carlos Campos），理查德·埃维拉（Richard Elvira），胡安·J·戈麦斯·罗德里格斯（Juan J.GómezRodríguez），（ ，（ 。
描述了每个版本的功能。
ORB-SLAM3是第一个能够使用针Kong和鱼眼镜头模型使用单目，立体和RGB-D相机执行Visual，Visual-Inertial和Multi-Map SLAM的实时SLAM库。 在所有传感器配置中，ORB-SLAM3与文献中提供的最佳系统一样强大，并且精度更高。
我们提供了在带有或不带有IMU的立体或单眼的以及在带有或不带有IMU的鱼眼立体或单眼的运行ORB-SLAM3的。 可以在找到一些示例执行的视频。
该软件基于 ， ， 和 （ ）开发的 。
相关出版物：
[ORB-SLAM3] Ca
2021-07-19 13:41:40
313.22MB
1
In this tutorial, we provide principled methods to
quantitatively evaluate the quality of an estimated trajectory
from visual(-inertial) odometry (VO/VIO), which is the foundation
of benchmarking the accuracy of different algorithms.
First, we show how to determine the transformation type to use
in trajectory alignment based on the specific sensing modality
(i.e., monocular, stereo and visual-inertial). Second, we describe
commonly used error metrics (i.e., the absolute trajectory error
and the relative error) and their strengths and weaknesses.
To make the methodology presented for VO/VIO applicable to
other setups, we also generalize our formulation to any given
sensing modality. To facilitate the reproducibility of related
research, we publicly release our implementation of the methods
described in this tutorial.
2021-07-19 11:01:21
506KB
1
graph slam tutorial ：从推导到应用3（g2o版程序），包含文档读取，及后端优化
2021-07-15 15:35:16
5KB
1