原创 OpenWrt下WiFi無線指標的提取(MAC地址、RSSI等)

實驗平臺如下: 路由器型號:TP-LINK TL-WR703N v1 OpenWrt版本:Chaos Calmer 15.05.1 前言: 802.11幀有三種,管理幀、控制幀,數據幀。每種類型幀又分很多種“子幀”

原创 OpenWrt路由器設置萬能中繼及如何永久修改MAC地址

前言: SSID = Service Set IDentifier BSSID = Basic Service Set IDentifier ESSIS = Extended Service Set IDentif

原创 歐拉角與旋轉矩陣

歐拉角因爲其奇異性,雖然在優化和插值的不會使用,但是當我們對別人描述一個旋轉的過程是怎麼樣的時候,歐拉角還是很有用的,比如,做無人機姿態控制的時候使用的就是歐拉角,但是搞明白歐拉角與旋轉矩陣的轉換確實是一件頭疼的事,所以就寫下

原创 基於TCP/IP協議的多線程雙向通信在OpenWrt上的實現

1、TCP/IP協議組 TCP/IP協議(傳輸控制協議)由網絡層的IP協議和傳輸層的TCP協議組成。 IP層負責網絡主機的定位,數據傳輸的路由,由IP地址可以唯一的確定Internet上的一臺主機。 TCP層負責面向應用的可靠

原创 里程計航跡推演與IMU預積分

參考:VINS代碼註釋版 預積分,難以理解的地方主要是,雅可比的計算、怎麼通過迭代的方式得到協方差的、使用deltaBias更新預積分是什麼鬼? 其實,這與計算輪式里程計在兩幀圖像之間的協方差過程類似,只不過里程計比較簡單,使

原创 SVO代碼(二)角點評分

SVO中FastDetector::detect()中再提取角點後,會使用shiTomasiScore()計算一下這個角點評分,這個得分越高,則特徵越優先,那這個得分是怎麼得到的呢?下面進行推導. 文章目錄harris角點PCA降

原创 MVG(二)RANSAC計算單應矩陣

多視圖幾何、orb-slam2註釋版、【程序員眼中的統計學(11)】卡方分佈的應用 orb-slam2中在初始化的時候會同時估計H矩陣和F矩陣,使用的都是DLT算法,即根據一組匹配點(如,八點法、四點法),直接使用SVD求得線

原创 EKF-SLAM初探(一)多傳感器融合

參考書:概率機器人、自主移動機器人導論 common sence: 1) 高斯隨機變量的任何線性變換將導致另一個高斯隨機變量,如,y=ax+by=ax+b 2) 高斯隨機變量的非線性變換將生成一個非高斯隨機變量,如,y=x

原创 VSLAM小結

參考書:高博十四講、多視圖幾何、自主移動機器人導論(中文版) 正值畢設開題之際,對半年來一步步入坑視覺SLAM進行一個簡要的小結. >> 經典vSLAM模型 參考:slambook p24(slam問題形成) 1. 運動方程

原创 EKF-SLAM初探(二)預測與更新

參考書:概率機器人、Probabilistic Robotics EKF定位實現步驟: 預測 修正(包括:測量預測、估計更新) 下面使用里程計測量機器人的運動輸入,路標測量(距離、角度、編號),地圖由路標點在世界座標系下的

原创 SVO代碼(一)從頭到尾

閱讀SVO代碼過程中主要參考的下面兩篇博客: svo: semi-direct visual odometry 論文解析 SVO詳細解讀 基於幀間4x4的圖像塊的灰度不變形來優化相機位姿,這與直接法很像,直接法使用的是一個像素

原创 ROS下標定RGBD相機內參和外參

測試環境如下: 系統:ubuntu14.04 ros版本: indigo RGBD相機型號:asus xtion pro 文章目錄1、深度測量原理2、安裝openni相機ros驅動3、標定深度相機內參4、depth相機與RGB

原创 g2o、Eigen、Mat矩陣類型轉換

1. Eigen矩陣賦值 1) 使用row或者col Eigen::Matrix3d R = Eigen::Matrix3d::Identity(); R.row(0) = Eigen::Vector3d(-0.0134899,-

原创 Ceres自動求導(AutomaticDiff)初探

g2o中如果沒有定義這個邊的linearizeOplus(),就會調用數值求導。但是g2o的數值求導比較慢,效果較差。所以下面探討在g2o中嵌入ceres的自動求導,避免複雜的雅可比矩陣的推導。 參考:http://ceres-s

原创 MVG(一)2D射影幾何

參考:計算機視覺中的多視圖幾何、中科院模重所-視覺基礎介紹 視覺SLAM中常用的射影變換有:2D歐式變換(如,平面內運動的機器人)、2D仿射變換(SVO中用來恢復圖像塊用的)、2D射影變換(我們平常說的單應矩陣就是它,對它分解