四旋翼无人机的飞行控制的反馈主要来自于 IMU，也就是加速度计和角速度计，其中角速度测量值对震动不敏感，而加速度测量值对震动十分敏感，若减震不佳，如机架有其他部件未上紧，或是桨叶严重受损，都会对带来高频的振动噪声，对飞行控制还有里程计的估计有“毁灭性的污染”。此时使用数字滤波，只会带来很大的相位延迟，仍然会导致控制的不稳定。因此只有从源头上解决震动，辅以软件数字滤波，才能得到较好的控制效果。 引用自 px4 的教程： A few of simple steps that may reduce vibrations are: Make sure everything is firmly...
Drone Vibration
[Paper Reading] TextSLAM: Visual SLAM With Semantic Planar Text Features
TPAMI 提供了室内和室外数据集，室内的真值由动捕提供，室外的真值由sfm提供（COLMAP） 几何信息 平面的参数化 如何表示 Text Patch 呢，换言之如何参数化呢？ 类似光线投射，平面表示为 $\theta$,归一化平面上的点如果在平面上，使用$\rho = \theta ^T \tilde{m}$ 求得该点的深度，从而获得该点的 3D 坐标 这个 $\theta$ 如何求得呢？考虑空间上的平面方程，使用某一帧相机的相机坐标系：...
ssh a nx orin and make its docker pull work
问题场景：使用个人PC通过 ssh 连接到 orin nx，但由于网络问题，orin的 docker pull 命令无法正常使用。而个人pc已开启代理，端口为127.0.0.1:8889（具体地址端口可在 v2ray 的首选项里查看）。 解决思路则是将 ssh 的 orin 的本地端口8889 关联到个人pc的 127.0.0.1:8889 上，之后在docker的代理配置文件里配置代理地址端口为 127.0.0.1:8889。 使用...
[VINS-Fusion] Feature Manager
double FeatureManager::compensatedParallax2(const FeaturePerId &it_per_id, int frame_count)
{
//check the second last frame is keyframe or not
//parallax betwwen seconde last frame and third last frame
const FeaturePerFrame &frame_i = it_per_id.feature_per_frame[frame_count - 2 - it_per_id.start_frame];
const FeaturePerFrame &frame_j = it_per_id.feature_per_frame[frame_count - 1 - it_per_id.start_frame];
double ans = 0;
Vector3d p_j = frame_j.point;
double u_j = p_j(0);
double v_j = p_j(1);
Vector3d p_i = frame_i.point;
Vector3d p_i_comp;
//int r_i = frame_count - 2;
//int r_j = frame_count - 1;
//p_i_comp = ric[camera_id_j].transpose() * Rs[r_j].transpose() * Rs[r_i] * ric[camera_id_i] * p_i;
p_i_comp = p_i;
double dep_i = p_i(2);
double u_i = p_i(0) / dep_i;
double v_i = p_i(1) / dep_i;
double du = u_i - u_j, dv = v_i - v_j;
double dep_i_comp = p_i_comp(2);
double u_i_comp = p_i_comp(0) / dep_i_comp;
double v_i_comp = p_i_comp(1) / dep_i_comp;
double du_comp = u_i_comp - u_j, dv_comp = v_i_comp - v_j;
ans = max(ans, sqrt(min(du * du + dv * dv, du_comp * du_comp + dv_comp * dv_comp)));
return ans;
}
feature manager 的主要数据结构为： class FeatureManager class FeaturePerId class FeaturePerFrame FeaturePerFrame 包括某帧内某个路标被观测的信息，如归一化平面坐标及速度、像素坐标、是否是双目、时间偏移。 FeaturePerId 则主要包括 vector<FeaturePerFrame> feature_per_frame，以及 frame_id、start_frame 等路标点个体级别的信息。值得注意的是，vins假设特征点是被连续观测到的，因此只记录开始的帧，即可推断出 vector 内其他观测所属的帧。 传入...
double FeatureManager::compensatedParallax2(const FeaturePerId &it_per_id, int frame_count)
{
//check the second last frame is keyframe or not
//parallax betwwen seconde last frame and third last frame
const FeaturePerFrame &frame_i = it_per_id.feature_per_frame[frame_count - 2 - it_per_id.start_frame];
const FeaturePerFrame &frame_j = it_per_id.feature_per_frame[frame_count - 1 - it_per_id.start_frame];
double ans = 0;
Vector3d p_j = frame_j.point;
double u_j = p_j(0);
double v_j = p_j(1);
Vector3d p_i = frame_i.point;
Vector3d p_i_comp;
//int r_i = frame_count - 2;
//int r_j = frame_count - 1;
//p_i_comp = ric[camera_id_j].transpose() * Rs[r_j].transpose() * Rs[r_i] * ric[camera_id_i] * p_i;
p_i_comp = p_i;
double dep_i = p_i(2);
double u_i = p_i(0) / dep_i;
double v_i = p_i(1) / dep_i;
double du = u_i - u_j, dv = v_i - v_j;
double dep_i_comp = p_i_comp(2);
double u_i_comp = p_i_comp(0) / dep_i_comp;
double v_i_comp = p_i_comp(1) / dep_i_comp;
double du_comp = u_i_comp - u_j, dv_comp = v_i_comp - v_j;
ans = max(ans, sqrt(min(du * du + dv * dv, du_comp * du_comp + dv_comp * dv_comp)));
return ans;
}
[VINS-Fusion] Process Measurements
void Estimator::processMeasurements() 这个函数单独在一个线程内运行，无限循环，间隔2ms。 提取出各帧的特征点并收到了一系列的 IMU 数据后，就该开始处理这些数据了。 首先判断 featureBuf 队列是否为空，如果是空的，就什么也不做。若不空，则从 featureBuf 里提取出最早的特征点数据帧： void Estimator::processMeasurements() { while (1) { //printf("process measurments\n"); TicToc...
[VINS-Fusion] Feature Tracker
来自相机的图像被发布，缓存在 img0_buf 和 img1_buf 队列中，新图像放在 back，抽取 front 的图像进行特征追踪。如果是双目，不同步的会被按时间戳先后丢弃，只有双目图像帧的时间戳完全同步才会被使用。 InputImage() 和 InputIMU() 是前端。其实只有 InputImage() 是真正的前端，IMU的预积分其实是放在 processIMU() 里面。 一些重要的变量： // vins-mono class...
[Paper Reading] A Tutorial on Quantitative Trajectory Evaluation for Visual(-Inertial) Odometry
Quantitatively comparing the estimated trajectory with the groundtruth, however, is not an easy task. There are two major difficulties. First,...
Quaternion Conventions
Quaternion type Hamilton $JPL$ 1 Components s order $( q_w$ , $\mathbf{q} _v)$ $\left(\mathbf{q}_v\:,\:\right.$ $q_w)$ 2 $\operatorname{Algebra}$ Handedness $ij=k$ Right-...
px4ctrl understanding and tunning
状态机 Px4ctrl的状态机对象如下： class PX4CtrlFSM { public: // somedata private: State_t state; // Should only be changed in PX4CtrlFSM::process() function! AutoTakeoffLand_t...
[Paper Reading] Balancing the Budget: Feature Selection and Tracking for Multi-Camera Visual-Inertial Odometry using SE2(3) Based Exact IMU Pre-integration
The main contributions of this work are the following: A novel factor graph formulation that tightly fuses tracked features from...
Total views. cowboys. Hits