|
除了我上次说的launch文件没有写，还有SLAM的源码没有分析，除了这些，我先给大家写下SLAM编译的过程，但是X3本身的内存太小了，我一开始按照电脑配置写的j8（相当于火力全开的意思），但是根本不行。 先安装一下编译的工具 找个目录：
没必要照抄，自己随便设置
安装pangolin
j2好一些
只要我慢慢的，就死不了
看起来不是那么死 突然发现X3有点热（编译很无聊的，尤其这种慢的）：
想起来盒子里面有一个散热器
很大的哦
在盖以前，我们看看盖子上面有啥？这个微距当然就是使用我们的小微距镜头
就是这个样子的了，我再也不用使用放大镜了（好像这东西就是个放大镜）
一个OK，继续编译 记得回到我们的libs文件夹下面执行我接下来给的命令：
g2o是一个非线性数值图优化的库:
这个是它大大的名字
还有可爱的Logo
抱歉，哭错坟了
妈的，吓死我了，我以为要死 趁着胆战心惊的编译，这里讲讲SLAM的知识。SLAM的后端一般分为两种处理方法，一种是以扩展卡尔曼滤波（EKF）为代表的滤波方法，一种是以图优化为代表的非线性优化方法。 滤波方法尤其是EKF方法，在SLAM发展很长的一段历史中一直占据主导地位。 优点：在当时计算资源受限、待估计量比较简单的情况下，EKF为代表的滤波方法比较有效，经常用在激光SLAM中。 缺点：它的一个大缺点就是存储量和状态量是平方增长关系，因为存储的是协方差矩阵，因此不适合大型场景。而现在基于视觉的SLAM方案，路标点（特征点）数据很大，滤波方法根本吃不消，所以此时滤波的方法效率非常低。 在视觉SLAM中，虽然包含大量特征点和相机位姿，但其实BA(Bundle Adjustment)是稀疏的，稀疏的就好办了，就可以加速了. 图优化里的图就是数据结构里的图，一个图由若干个顶点（vertex），以及连接这些顶点的边（edge）组成. 比如一个机器人在房屋里移动，它在某个时刻 t 的位姿（pose）就是一个顶点，这个也是待优化的变量。而位姿之间的关系就构成了一个边，比如时刻 t 和时刻 t+1 之间的相对位姿变换矩阵就是边，边通常表示误差项。 在SLAM里，图优化一般分解为两个任务： 1、构建图。机器人位姿作为顶点，位姿间关系作为边。 2、优化图。调整机器人的位姿（顶点）来尽量满足边的约束，使得误差最小。
好怕好怕 成功崩溃哦，这里改j1了，这篇文章快到12点了都没有编译完：
这个是j1编译的，我不知道能不能过 大家晚安，我再守着电脑看看编译情况。 |
|
|
