1.Ubuntu中pangolin库的视觉安装配置及问题解决
2.白话VINS-Mono之外参标定（二）
3.VINS-Mono：原理深剖+白板从零手推公式+源码逐行精讲！
4.ORB特征提取与匹配
5.ubuntu上G2O库的安装
6.视觉SLAMORB-SLAM：让人Orz的讲源觉sm讲SLAM

Ubuntu中pangolin库的安装配置及问题解决

       在Ubuntu.环境下安装与配置视觉SLAM十四讲中提及的pangolin库，解决安装与使用过程中可能遇到的码视问题。首先，代码确保安装所需的视觉依赖及工具。快捷键Ctrl+Alt+T打开终端，讲源觉sm讲夜场大乐园源码依次输入指令：

       1.1 pangolin库安装

       进入终端，码视克隆视觉SLAM十四讲源代码，代码然后进入pangolin库文件夹，视觉下载库源文件。讲源觉sm讲接下来，码视进入下载好的代码源文件目录，使用指令进行安装，视觉其中-j后的讲源觉sm讲数字可根据电脑配置调整，以优化安装速度。码视

       1.3 pangolin库安装

       在安装完成后，可以尝试通过VScode运行ch3目录下examples中的示例程序，编译并执行。

       2 测试pangolin库

       2.1 示例程序编译

       在VScode终端输入指令，为测试程序做准备。

       2.2 示例程序运行

       运行两个示例程序，程序名称可通过ls指令查看，拼写时使用tab键补全。在运行过程中可能会遇到如"cannot find trajectory file"的错误。这通常是因为程序相对路径的设定与实际路径不匹配。解决方法是修改程序中的相对路径，将实际路径替换掉。

       2.3 程序运行问题解决

       解决"cannot find trajectory file"报错，需要修改程序中路径设置，并重新编译程序。再次运行示例程序，问题将得到解决。此外，杰奇带听书源码初次运行visualizeGeometry.cpp时可能会出现找不到libpango_image.so的报错，这通常是因为系统未找到共享库。此时，执行指令刷新共享库即可。

       至此，pangolin库的安装与使用过程完成。在执行过程中，注意查看终端输出，确保每个步骤正确无误。如有其他问题，建议查阅官方文档或社区讨论。

白话VINS-Mono之外参标定（二）

       在深入探讨Vins-mono系统中的外参标定部分之前，我们先回顾一下上篇文章中预积分的基本概念。接下来，我们将从实际应用出发，深入解析Vins-mono系统中关于外参标定的原理与源码。

       Vins-mono作为紧耦合视觉IMU系统，在实现中通过在SLAM过程中进行相机与IMU的标定，以应对没有标定信息的情况。这种设计的一大优势在于系统能够动态计算相机与IMU之间的标定值。尽管标定过程并非绝对精确，但在后续的后端优化中会持续调整这些值。

       配置文件中支持输入精确的外参标定值，通过设置config.yaml中的ESTIMATE_ESTRINSIC参数来决定。根据yaml设置，有三种情况可供选择：计算相机（Camera）坐标系到IMU坐标系的相对旋转矩阵。这一过程主要在CalibrationExRotation函数中实现。

       在Vins-mono中，标定过程是独立于初始化的一部分，但它是系统启动前的关键步骤。在processimg函数中，初始化之前，万国觉醒源码即真正的初始化前，需要执行CalibrationExRotation函数。

       虽然Vins-mono文章中并未引入新的在线标定相机与IMU方法，而是基于文献（[8]）中提出的“monocular视觉惯性状态估计的在线初始化和相机IMU外参标定”。基于Vins-mono的代码实现，我们重新整理了文献中Fig. 3的图，并将其转化为图2，旨在从理论到代码详细解析标定过程。

       结合图2，相邻相机关键帧对应的pose可以通过两种方式来构建方程：使用八点法（solveRelativeR）和结合已知的[公式]标定转换（solveRelativeRT）。理论上，通过假设相对旋转量为[公式]，可以构建方程并求解。为了深入理解求解过程，我们将参考文献中的式子4~9。

       在求解过程中，考虑到使用对极约束算法时不可避免的匹配错误（outlier），在A矩阵中加入权重计算，以提高在线标定结果的鲁棒性。加权计算方式近似于Huber norm计算（参考式8、9）。

       在CalibrationExRotation核心函数中，实现流程遵循上述式子4~9的步骤。solveRelativeR与solveRelativeRT函数之间的区别在于，后者在多个判断内点个数操作中有所不同。重要的是，ric.inverse()* delta_q_imu * ric这一表达式将式4转换为[公式]，通过在循环中不断计算相邻帧特征点对应变换，逐渐构建Ax=0形式的方程。

       对于求解Ax=0问题的SVD分解，它是在矩阵非方阵时的特征值分解拓展，可以提取矩阵的MACD量价指标源码主要特征。通过SVD分解，我们可以将问题转化为求解特定的特征值和特征向量，进而求解方程。

       在理解SVD分解为何可以求解Ax=0问题时，关键在于其几何意义。SVD分解将任意矩阵通过一系列旋转和平移转换为对角矩阵，其中的奇异值表示椭球体轴的长度。通过最小奇异值，我们可以求解出最优解，即Ax=0的非零解。

       综上所述，Vins-mono系统中的外参标定过程通过一系列理论解析和代码实现，确保了相机与IMU之间标定值的动态调整和优化。通过对关键步骤的深入理解，我们可以更好地掌握SLAM系统中这一重要模块的工作原理。

VINS-Mono：原理深剖+白板从零手推公式+源码逐行精讲！

       自动驾驶领域在年呈现出快速发展的态势，各大创业公司纷纷宣布获得大额融资。1月日，文远知行完成B轮3.1亿美元融资；1月日，滴滴获得3亿美元融资；2月8日，小马智行获得1亿美元C+轮融资；3月日，Momenta完成C轮总计5亿美元的融资；4月日，大疆创新推出智能驾驶业务品牌“大疆车载”，向汽车企业提供自动驾驶解决方案；4月日，小鹏汽车发布搭载激光雷达的智能汽车小鹏P5，成为全球第一款量产的激光雷达智能汽车；4月日，图森未来在美股上市，被称为“全球自动驾驶第一股”；4月日，华为和北汽合作实现上海城区通勤无干预自动驾驶，成为全球唯一城市通勤自动驾驶量产车。

       在自动驾驶、燕窝16位溯源码无人机、增强现实、机器人导航等技术领域中，定位和建图（SLAM）发挥着至关重要的作用，而视觉惯性里程计（VIO）作为SLAM算法中的一个重要分支，其理论复杂度较高。对VIO的掌握能力将直接影响到SLAM从业者的专业水平。VINS-Mono是由香港科技大学飞行机器人实验室（沈邵劼团队）在年开源的知名单目VIO算法。该算法由第一作者秦通（华为天才少年）提出，并在年获得IEEE Transactions on Robotics期刊的最佳论文奖。VINS-Mono使用单目相机和惯性测量单元（IMU）实现了视觉和惯性联合状态估计，同时能够估计传感器外参、IMU零偏以及传感器时延，是一款经典且优秀的VIO框架。

       VINS-Mono在室内、室外大尺度以及高速飞行的无人机场景中均表现出色。在手机AR应用中，该算法优于当前最先进的Google Tango效果。同时，VINS-Mono也是VINS-Fusion算法的基础，应用于汽车SLAM时同样展现出高精度和稳定性。

       在自动驾驶、无人机、增强现实、机器人导航等领域的岗位中，掌握VINS-Mono算法成为了关键技能之一。为此，计算机视觉life团队推出了独家课程《VINS-Mono：原理深剖+白板从零手推公式+源码逐行精讲》。该课程通过详细的步骤解读、疑难问题解析、结合作者回复的issue理解，帮助学员深入掌握VINS-Mono背后的原理。课程内容覆盖从基础理论到复杂公式的推导，通过白板从零开始手推公式的方式，使学员能够理解复杂公式的形成过程，从而真正掌握VINS-Mono的原理。课程价格根据购买时间调整，购买越晚价格越高。如有疑问，学员可加入QQ群（）咨询，购买成功后会自动显示内部答疑群。

ORB特征提取与匹配

       本文主要回顾了ORB特征提取的过程，并解决了个人对这一主题的疑惑，但未深入探讨OpenCV源码，原因在于个人懒于解析。文章参考了高翔的《视觉SLAM十四讲》和相关opencv实现，欢迎读者指正错误。

       好的特征点在于其显著性和匹配的准确性。角点特征，如E和F，因其特征明显，是理想的匹配对象。ORB算法采用OFAST快速提取这些特征点，下面将介绍OFAST和Oriented FAST的原理。

       OFAST角点检测基于亮度变化，例如，如果圆周上的连续个点亮度超过或低于特定阈值，像素可能被识别为特征点。Oriented FAST在此基础上增加方向信息，以保持旋转不变性。

       图像金字塔通过高斯模糊和降采样处理，解决了尺度不变性问题，确保不同尺度下的角点特征能准确匹配。接下来是BRIEF描述子，ORB算法使用的改进BRIEF描述特征，通过二进制编码存储角点邻域信息，以便判断匹配性。

       特征方向与BRIEF描述子的结合，保证了旋转不变性。尽管旋转后BRIEF描述子会发生变化，但根据角点方向调整pattern，可以恢复旋转前的状态。

       总的来说，ORB特征提取包括角点检测、方向信息添加、尺度不变性处理以及BRIEF描述子编码，这些步骤共同确保了特征点的稳定性和匹配效率。通过《视觉SLAM十四讲》的实例，我们可以理解并应用这些技术。

ubuntu上G2O库的安装

       ä¸€ã€ä»€ä¹ˆæ˜¯G2O库？有什么用？

        g2o 是一个图优化库。常常在SLAM 中被使用。

        图优化本质上仍然是非线性优化。只不过利用图的方式表现出来，使问题 可视化 ，然后可以根据可视化的结果来更好的调整优化过程。

        图  æ˜¯ä¸€ç§æ•°æ®ç»“构。在图优化中，用 顶点  (vertex) 表示 优化变量 ，用 è¾¹  (edge) 表示 误差项 。于是，对于任意一个上述形式的非线性最小二乘问题，都可以构建一个与之对应的图。

        在视觉SLAM 十四讲中，常用的后端优化库有两个：g2o 和ceres。ceres 是google 的一个优化库，文档详尽且友好，就不再赘述了。但对于g2o，除了源码，官方用doxygen 生成的帮助文档，就只有论文  g2o: A general framework for graph optimization  å’Œè¿™ç¯‡github 的 文档 。

        二、如何安装G2O库？有哪些依赖项？在安装和使用的过程中，会遇到哪些问题，以及如何解决？

        1安装步骤

        git clone .archive.ubuntu.com/ubuntu bionic/universe amd freeglut3 amd 2.8.1-3

        connetciton failed [IP:... ]

        Err:2 .archive.ubuntu.com/ubuntu bionic/universe amd freeglut3-dev amd 2.8.1-3

        connetciton failed [IP:... ]

        E:Failed to fetch  .archive.ubuntu.com/ubuntu/pool/universe/f/freeglut/freeglut3_2.8.1-3_amd.deb connection failed  [IP:... ]

        E:Failed to fetch  .archive.ubuntu.com/ubuntu/pool/universe/f/freeglut/freeglut3-dev_2.8.1-3_amd.deb connection failed  [IP:... ]

        E:Unable to fetch some archives, maybe run apt-get install libglut-dev

        最终 解决方案 ，  æ›´æ¢ sources.list 阿里源 清华镜像。

        apt-get update

        apt-get upgrade

       3在使用g2o时，编译用到了g2o库的project，遇到报错error: ‘index_sequence’ is not a member of 'std'

        解决方案 ，修改project的CMakeLists.txt添加:set(CMAKE_CXX_STANDARD )

       å‚考链接：

        Ubuntu. 更换 sources.list 阿里源 清华镜像 – 小固件 (atmcu.com)

        (条消息) 视觉SLAM十四讲 报错 error: ‘index_sequence’ is not a member of ‘std‘_CSSDCC的博客-CSDN博客

        (条消息) 视觉SLAM十四讲 报错 error: ‘index_sequence’ is not a member of ‘std‘_CSSDCC的博客-CSDN博客

视觉SLAMORB-SLAM：让人Orz的SLAM

       ORB-SLAM，在视觉SLAM领域享有盛誉，其源码在GitHub上已有4.4K+Star，充分彰显了西班牙小哥的出色贡献。近期深入研究其论文并结合源码，体验了一番酸爽，发现它在SLAM领域确实有着独特的魅力与贡献。

       ORB-SLAM的核心框架由三个并发进程组成：跟踪、局部建图和回环检测，系统结构清晰，功能分明。跟踪是主进程，负责定位和跟踪相机运动，通过特征匹配实现定位与优化。局部建图则负责关键帧与地图点的插入、删除及局部优化。回环检测则通过搜索回环关键帧，实现位姿图优化，确保系统鲁棒性。

       特征提取是ORB-SLAM的关键之一，它采用ORB特征，兼顾性能与效率。与SURF、SIFT等相比，ORB提取速度快，每张仅需.3ms，适用于实时操作。ORB在FAST角点基础上加入方向信息，使BRIEF描述子旋转不变，同时利用图像金字塔和灰度质心法提取特征，实现尺度不变性。此外，通过网格划分与四叉树结构，ORB-SLAM确保特征点分布均匀，即使特征点不足，也可通过调整FAST阈值增加。

       单目初始化是ORB-SLAM的另一大亮点，它通过特征点匹配计算基础矩阵和单应矩阵，自动判断场景类型，无需人工设定模型。共视图与本质图结构则加强了关键帧间的联系，实现高效回环检测。相机重定位策略确保了系统在跟踪失败时能快速恢复，关键帧与地图点的删增策略则优化了系统性能。

       ORB-SLAM提供多样化的Bundle Adjustment方式，包括初始化阶段的全BA、跟踪过程的运动BA及局部建图阶段的局部BA，适应不同场景需求。整个系统庞大复杂，通过总结主要特性，虽有其精髓，但仍需深入研究，以充分理解其工作原理与优化策略。

       总之，ORB-SLAM在视觉SLAM领域展现出了其独特魅力与贡献，从其高效的特征提取到灵活的系统框架，再到多样化的优化策略，无不体现其在SLAM技术中的卓越地位。向所有SLAM领域的先驱者致以崇高的敬意。

SLAM地图评估指标及EVO评估工具安装使用教程

       在评估使用ORB-SLAM3构建的地图精度时，首先需要解决地图数据与GPS真值坐标尺度不一致的问题，进行地图数据对齐处理。之后，通过使用EVO工具进行评估，以获取更清晰的评估结果。整理后，以下是关于SLAM地图评估指标和EVO评估工具安装使用教程的详细内容。

       一、SLAM评价指标

       在评估SLAM/VO算法时，需要从时耗、复杂度、精度等多个角度进行。其中，精度评价是最重要的考量。视觉SLAM通常使用绝对位姿误差（APE）、均方根误差（RMSE）和标准差（STD）等指标来评估运动轨迹的精度，这些指标衡量的是算法估计位姿与真实位姿之间的误差。APE首先对齐真实值和估计值，计算每个值之间的偏差，用于评估轨迹的全局一致性。RMSE衡量整体估计值与真实值的偏差程度，偏差越大，RMSE也越大。

       二、EVO安装教程及命令概览

       EVO是一个常用的评估工具，用于评估SLAM和VO算法的性能。要安装EVO，请访问其官方源码地址。使用命令行一键安装，可能遇到安装错误，参考相关解决方法以解决可能的问题。EVO提供了多种评估指标和命令，包括评估绝对位姿误差（evo_ape）和相对位姿误差（evo_rpe）等功能。

       三、运行EVO

       1. evo_traj：主要用于绘制轨迹、输出轨迹文件和转换数据格式等功能。EVO自带示例包括使用自带数据进行轨迹对比和轨迹对齐。对于存在尺度不确定性的单目相机，EVO支持使用-s参数进行Sim(3)上的对齐（旋转、平移与尺度缩放）。

       2. 轨迹评估：EVO可以评估两条轨迹的误差，主要命令包括计算绝对位姿误差（evo_ape）和相对位姿误差（evo_rpe）。这些指令支持轨迹对齐和尺度缩放功能，并提供详细的参数说明以指导使用。通过这些命令，可以直观地评估轨迹的全局一致性与局部准确性。