背景介绍

当前组内开发的程序是基于ROS1进行的，所以需要在本地搭建一个ROS1环境来运行和修改。查阅ROS官网后发现ROS版本与Ubuntu版本有着较为严格的对应关系，根据ROS1版本页面总结的对应关系如下表所示，ROS1官方已经不支持Ubuntu 20.04以后的版本了，Ubuntu 22.04之后只能安装ROS2，而ROS2与ROS1之间还是存在着较大的架构差异的，ROS2并不能向下兼容ROS1。

方法介绍

对极几何约束常被用于检测特征点的运动状态，其原理示意图如Fig. 1所示：

1 介绍

近期采了一组数据（包含GNSS、IMU、LiDAR、相机），想要将其中一段图片转为视频放到PPT中结合轨迹图进行讲解，使用了ffmpeg将图片流转换为了视频文件，在此记录一下大致过程，方便后续使用时进行查阅。

简介

在介绍MMSegmentation之前首先要介绍一下OpenMMLab，源自官方的介绍：

OpenMMLab（浦视）是上海人工智能实验室的计算机视觉算法开源体系，是深度学习时代全球领域最全面、最具影响力的视觉算法开源项目，全球最大最全的开源计算机视觉算法库，为学术和产业界提供一个可跨方向、结构精良、易复现的统一算法工具库。

OpenMMLab 已经累计开源了超过 30 个算法库，涵盖分类、检测、分割、视频理解等众多研究领域，拥有超过 300 种算法、2,400 多个预训练模型。在 GitHub 上获得超过 72,000 个标星，同时吸引了超过 1,500 名社区开发者参与项目贡献，用户遍及超过 110 个国家和地区，覆盖全国全球顶尖高校、研究机构和企业。

记录

昨天在使用hexo准备新建博文时，突然报错：

Error: Cannot find module ‘./languages/vim’

首先是看到这个名字以为是跟前天把windows上的Vim卸载了有关（但心里还是十分怀疑这个相关性的）。先在Google搜索了该报错语句之后，竟然没有找到有相同报错内容的问题，于是乎死马当活马医，先重装Vim再说，果不其然，没用。

然后查看是否跟安装的主题有关，在themes下的languages中看到了vi.kml，基于Linux下vi与vim的关系继续盲目尝试（心里还是十分怀疑这个相关性的），copy一下该文件并改名为vim.kml，果然还是没用……

最后只好继续在网页大海中遨游，尝试了多种方法之后终于利用该网页中提供的方法解决了该问题，虽然最终也没有搞清楚问题出在哪，但，能用就行。在此记录一下该解决方法：

1
2

$ npm uninstall hexo-cli -g
$ npm install hexo-cli -g

1 简介

最近采完数据之后需要计算参考解，于是便使用组内购买的Waypoint Inertial Explorer 9.0 进行紧组合后处理，因为之前没有使用过该软件，所以向组内用过的师弟请教，在此记录一下使用过程，以免自己后续遗忘操作步骤时再去麻烦师弟。

首先介绍一下IE这个软件：

Inertial Explorer 是 NovAtel 公司 Waypoint 产品组研发的强大的、可配置度高的事后处理软件，用于处理所有可用的 GNSS、INS 数据，提供高精度组合导航信息，包括位置、速度和姿态信息。针对精度和稳定性要求比较高，不需要实时定位导航信息的应用，可以通过 GNSS 和 INS 原始数据后处理的方式，提高组合导航解算精度和稳定性。

具体的软件介绍可以参考Novatel官网，官网中也有不同版本IE的用户手册，但是当前只找到了英文版本，且有200多页，应该比较适合当作一个参考文件。

1 介绍

最近使用两个Flir相机采了数据，打算在ORB-SLAM2系列代码上进行测试，采集完数据后需要对双目相机进行标定，在网上搜寻了相关资料后，发现使用Matlab工具库可以比较方便地进行双目相机的标定，在此记录一下。注：双目标定部分主要参考了该文章。

注：本文是对北航邱笑晨博士总结的预积分公式推导过程进行记录，由于是个人简单记录，所以基本上内容、公式都是截取自该文章。

1 IMU 测量模型（Sensor Model）和运动学模型（Kinetic Model）

陀螺测量模型：

其中，$\mathbf{b}_g$ 是bias，$\mathbf{\eta}_g$ 是白噪声。该模型利用了static world assumption：考虑到MEMS IMU 的观测精度，以及SLAM 的运动场景较小，因此忽略地球自转（认为地球是static world），并假设运行区域水平面是个平面，重力矢量 $\mathbf{g}^w$ 的指向固定且模值恒定。

加速度计测量模型：

其中，$\mathbf{b}_a$ 是bias，$\mathbf{\eta}_a$ 是白噪声。

Campos, Carlos, Richard Elvira, Juan J. Gómez Rodríguez, José M. M. Montiel, and Juan D. Tardós. “ORB-SLAM3: An Accurate Open-Source Library for Visual, Visual–Inertial, and Multimap SLAM.” IEEE Transactions on Robotics 37, no. 6 (December 2021): 1874–90. https://doi.org/10.1109/TRO.2021.3075644.

1 Introduction

ORB-SLAM3 的主要创新点包括：

1. 一个单目、双目视觉-惯性SLAM 系统。该系统完全依赖MAP 最大后验估计，即使是在IMU 初始化阶段。
2. 增强型地点识别技术。现有的许多SLAM、VO 系统使用DBoW2 进行地点识别，但DBoW2 在检查几何一致性之前需要进行时间一致性检测，即匹配连续三个关键帧，这增加了地点识别的代价，导致回环检测或者地图重用的速度很慢。针对于此，作者提出了一个新颖的地点识别算法：对候选关键帧首先进行几何一致性检测，然后与三个共视关键帧进行局部一致性检测 *local consistency*。
3. ORB-SLAM Atlas。第一个可以处理单目和双目视觉&视觉-惯性系统的完整多地图SLAM 系统。该地图集可表示一组不连续的地图，并顺滑地使用所有的地图操作，包括：地点识别、相机重定位、回环检测以及精确地图融合等。
4. 抽象的相机参数化表示使得SLAM 系统可以兼容不同映射模型的相机，如针孔相机、鱼眼相机等。

Singh, Gaurav, Meiqing Wu, and Siew-Kei Lam. “Fusing Semantics and Motion State Detection for Robust Visual SLAM.” In 2020 IEEE Winter Conference on Applications of Computer Vision (WACV), 2753–62. Snowmass Village, CO, USA: IEEE, 2020. https://doi.org/10.1109/WACV45572.2020.9093359.

1 Introduction

作者将语义信息和物体的运动状态融合到一个概率框架中，进行准确鲁棒的动态区域检测，为位姿估计和制图保留可靠的特征点。本算法包括以下步骤：

1. 首先，利用一个轻量级的场景流估计和聚类方法来提取场景中的动态区域；
2. 然后，利用语义分割提取场景的语义信息；
3. 最后，为了解决前两步获取的动态区域和语义信息的不确定性，本算法使用一个概率框架来融合两个信息，来实现对移动区域的鲁棒检测。

这里，作者不使用RANSAC 算法，因为该算法无法应对动态物体占据主要区域的情况；作者使用一个基于图的方法来检测几何移动区域。