Slam-js 一个用于在服务器端生成静态HTML的Javascript库。 Slam-js旨在完全替代HTML模板引擎，例如 ， 或 。 特征 简单的模板 基于组件 无需学习新的语言/语法 准确的类型声明 令人印象深刻的性能和速度 SVG标签支持。 安装 npm install -D slam-js 程式码范例 在此示例中，函数Document返回一个基于使用的标记函数构造的字符串。 import { html , head , title , meta , link , body , h1 , p } from "slam-js" ; const Document = ( ) => { return html ( { lang : "en" } , head ( title ( "Jordan Latimer" ) , meta ( {

作者 | 黄浴，奇点汽车美研中心首席科学家兼总裁 转载自知乎   AI科技大本营编辑 简单回顾的话，2006年Geoffrey Hinton的论文点燃了“这把火”，现在已经有不少人开始泼“冷水”了，主要是AI泡沫太大，而且深度学习不是包治百病的药方。 计算机视觉不是深度学习最早看到突破的领域，真正让大家大吃一惊的颠覆传统方法的应用领域是语音识别，做出来的公司是微软，而不是当时如日中天的谷歌。计算机视觉应用深度学习堪称突破的成功点是2012年ImageNet比赛，采用的模型是CNN，而不是Hinton搞的RBM和DBN之类，就是Hinton学生做出来以他命名的AlexNet。 （注：顺便提

一个小DEMO，基于FLD直线检测算法提取两张图像中的线特征，然后进行线特征匹配，基于匹配结果基于优化的方法计算两帧相邻图像的运动关系，输入两张图像，输出两张图像的旋转和平移变换矩阵。 cmake工程，运行命令：“./build/motionCompute ./data/1.png ./data/2.png”

步骤超详细，亲测，成功！

1. 视觉SLAM 系统概述 SLAM 是Simultaneous Localization and Mapping 的缩写，中文译作“同时定位与地图构建” 。它是指搭载特定传感器的主体，在没有环境先验信息的情况下，于运动过程中建立环境的模型，同时估计自己的运动。如果这里的传感器主要为相机，那就称为“视觉SLAM”。 视觉SLAM流程分为以下几步 传感器信息读取。在视觉SLAM 中主要为相机图像信息的读取和预处理。 视觉里程计。视觉里程计任务是估算相邻图像间相机的运动，以及局部地图的样子。 后端优化。后端接受不同时刻视觉里程计测量的相机位姿，以及回环检测的信息，对它们进行优化，得到全局一致的

计算机视觉、激光雷达-相机多传感器融合、相机标定的坐标系描述图

ubuntu安装ORB-SLAM eigen3.3.7资源包

对kinght平台ros系统下软件包的启动流程的分析，包括启动底盘，激光雷达，slam节点和navigation节点。

ORB_SLAM

帮助加深在slam基础上的理解,进一步拓展视野了解sfm,slam,AR/VR和三维物体的识别与跟踪等等的了解!!