曾是少年

高斯混合模型

概率图+时间=动态系统

​ 对概率图模型考虑其时间序列，可以得到动态系统。根据动态系统的隐状态的连续性和分布可以把系统大致分为三类：

1. 若隐状态离散，不要求分布，则为隐马尔可夫模型
2. 如果隐状态连续、线性且服从高斯分布，则为Kalman滤波器（线性高斯模型）
3. 如果隐状态连续且非线性，作为得到粒子滤波器

本节主要来介绍kalman滤波器。

概率图模型（ probabilistic graphical model）是一类用图来表达变量相关关系的概率模型。它以图为表示工具，最常见的是用一个结点表示一个或一组随机变量，结点之间的边表示变量间的概率相关关系，即“变量关系图”.根据边的性质不同，概率图模型可大致分为两类：第一类是使用有向无环图表示变量间的依赖关系，称为有向图模型或贝叶斯网（ Bayesian network）；第二类是使用无向图表示变量间的相关关系，称为无向图模型或马尔可夫网（ Markovnetwork）

本节将用来介绍概率图模型。

直至以来，SLAM的研究共朝着三个方向努力：精度、速度、鲁棒性。尤以鲁棒性居多。通常动态场景中，根据IMU测量值与视觉测量值分别进行计算得到的结果会有所不同。因此需要进行一致性的检测，以得到真值。本文将主要讲运动一致性检测。

Loop Fusion

Loop Fusion结点包括：

VINS_estimator

VINS_estimator是VINS_Fusion的节点，其不包含回环检测部分，该节点可以单独对相机进行位姿估计。

rosNodeTest.cpp

rosNodeTest.cpp是vins_estimator节点的程序入口。主要实现以下函数。

主程序包含以下流程：

1. 读取配置文件参数 readParameter()

2. 订阅了四个话题，分别是imu、双目相机图像以及feature_tracker所提供的跟踪光流点，收到各个话题的消息后执行回调函数，对各个数据进行相应的处理

3. 开启一个新线程sync_process。

   该线程的作用：若图像buffer里面有数据,读入数据并且添加到estimator中。利用图片携带的时间戳信息能够检测两图片是否同步，若两图片的时间戳差距在一定范围内，则添加到estimator中中，否则丢弃两帧图片。

estimator

VIO系统的整个程序从Estimator estimator开启。

estimator类的定义由estimator.h和estimator.cpp两个文件完成。

包含以下重要的自定义成员：

estimator类中包含两类成员函数：

1. 接口函数

   包括以下8个函数：

   函数	功能
   initFirstPose()	初始化初始位姿
   inputIMU()	输入IMU数据
   inputImage()	输入图片数据
   inputFeature()	输入特征
   ProcessIMU()	处理IMU数据，对IMU进行预积分；
   ProcessImage()	处理相机数据； 1. 基于特征点的视差来判断当前帧是否属于关键帧； 2. 判断相机到IMU的外参是否有校正，若无则用手眼标定法进行标定,具体在CalibrationExRotation里，此处只标定旋转矩阵，未标定平移矩阵，原因是系统对旋转矩阵较敏感，系统易因为小幅度的角度偏差而崩溃； 3. 判断是否有进行初始化;若已完成初始化，则调用optimization( )，用ceres_solver对滑窗进行非线性优化的求解，优化项主要有四项：边缘化残差、 imu残差、相机重投影残差以及相机与Imu间同步时间差的残差项。否则进行相应的初始化过程。 4. 本函数中包含一个failureDetection()函数,用于判断系统在一定条件下是否崩溃，比如非线性求解器中的解有大跳动，求解出相机IMU的外参矩阵或IMU偏移等等，系统挂掉就清空状态，重新初始化。
   ProcessMeasurements()	处理测量值；处理各buffer里的数据，当featureBuf不等于空时，开始进行以下处理（为什么是featureBuf，因为当有图像buffer数据的时候，才会有featuretracker.push(make_pair(t,featureFrame))，即有图像数据后，程序才发给跟踪器叫他产生feature，因此当featureBuf不等于空，所有的buffer，包括imu,图像，都不为空）：
   changeSensrType	改变传感器类型，用于确定是否使用IMU，使用单目相机还是双目相机

2. 内部函数

类的初始化函数Estimator()，由于Estimator类成员内部有两个比较重要的自定义类成员：
（1）Feature_Tracker featuretracker;（以前vins-mono这部分是作为一个独立的Node存在）:
用来对原始图像进行畸变校正，特征点采集，光流跟踪
（2）FeatureManager f_manager;
用来对滑动窗口内所有特征点的管理。
简单设置了一些参数后，系统进入main()。

接着main()与Estimator estimator两者开始发生联系：
main()中estimator.setParameter()开启了滑动窗口估计的一个新线程
由于我们在配置文件中 多线程MULTIPLE_THREAD设置为1，因此当setParameter()时候，就开启了一个Estimator类内的新线程：processMeasurements();

pub VIO的各种话题，包括里程计信息，tf变换，相机姿态，点云信息，并且发布关键帧。

本文目的是为了更加详细的学习通用的回环检测算法 中的DBoW2库，了解其代码构成。

1. 回环检测
2. DBOW2介绍
3. DBOW3介绍

隐马尔可夫模型是关于时序的概率模型，描述由一个隐藏的马尔可夫链随机生成不可观测的状态的序列，再由各个状态随机生成一个观测而产生观测的序列的过程。

隐马尔可夫模型是可用于标注问题的统计学习模型，描述有隐藏的马尔科夫链随机生成观测序列的过程，属于生成模型。本文将学习隐马尔可夫模型，着重介绍掌握HMM的模型、应用、及理论推导过程。

来源：李航的《统计学习方法》

本文将盘点六个经典的聚类算法，以便于后续研究。经典的聚类算法主要包括以下六种：

1. Means-shift聚类
2. k-means聚类
3. Fuzzy C means聚类
4. Medoid shift算法
5. Turbopixel算法
6. SLIC算法

本文讲解利用ROS框架下的工具标定USB相机的过程。