add some pdf for autodriver

kahowang · Apr 13, 2022 · ccc8b1c · ccc8b1c
1 parent aa5a9e3
commit ccc8b1c
Show file tree

Hide file tree

Showing 591 changed files with 37,377 additions and 7 deletions.
diff --git a/待问问题.md b/待问问题.md
@@ -0,0 +1,32 @@
+# 待问问题
+
+## 1.lio_sam 在程序中默认初始化的bias为0，这样做是否正确，kitti的数据集自身补过bias，tixiaoshan供大家测试的数据集也补了bias吗，实际有必要上电静止标一下bias 吗？
+
+
+
+## 2.世界系的问题。VINS初始化中，需要对重力进行估计，用绝对的重力作为世界系。那么在LIO系统中，为什么不需要对重力进行估计呢，LIO系统中一般是以谁作为世界系原点(lidar 第一帧的位置？ 还是gnss第一帧位置？)
+
+答：
+
+**WGS84**：Apollo 采用的是 WGS84 ( World Geodetic System 1984 )作为标准坐标系来表示
+物体的纬度,经度和高度。
+
+**UTM** : 将球面经纬度坐标经过投影算法转换成的平面坐标,即通常所说的 XY 坐标,单位为米制。UTM 相当于是把世界分成了若干个 ENU 坐标系,每个 zone 对应一个 ENU 。Apollo采用的是将 WGS84 -> UTM
+
+**ENU**：导航系下的坐标表示，一般为"前左上" 。 课程采用的是 wgs84 -> ENU
+
+**LIO + GNSS** :  任乾课程所配套的框架为 lidar +  ins (imu + gnss) , 导航系的原点为 第一帧 ins 的位置，为ENU系下的坐标。具体转换为，ins 获得WGS84 坐标系下的经纬高，然后将 经纬高 信息转换为ENU坐标系下的位置信息。注意，该位置信息的x,y  是由经纬映射而来，z直接复用“高”信息。 ENU 系下
+
+**LIO** : fastlio ，  lidar + imu(6DOF) 系统，跟vins一样，需要估计重力的方向，使用绝对重力作为导航系。 ENU 系下。
+
+**VIO**： vins ， 需要估计重力方向，使用绝对重力方向作为导航系的原点。ENU 系下。
+
+**LO** :  loam、lego_loam  ，因为没有绝对重力矫正，只有单雷达传感器，所以在mapping的过程中，以第一帧点云的雷达所在位置为导航系的原点。
+
+注意：
+
+1.LIO + GNSS 、LIO  、VIO 等多传感器融合系统都是ENU系下，多种传感器数据融合都需要找到一个绝对的world做转换。
+
+2.a.LIO + GNSS 系统中，因为使用的是惯导，默认已经完成一系列的初始化，所以不需要进行重力估计，也可以很容易得到ENU下的坐标。b.LIO 和 VIO 系统因为没有GNSS 信息，所以无法获得绝对的ENU信息，可以通过估计imu的重力方向，使用重力方向确定 ENU(前左上)的“天”，进而确定导航系下的原点。c.LIO_SAM 因为使用的是9DOF IMU,磁力计可以获取绝对重力，所以不需要额外做重力估计。 
+
+3.lego_loam 的去重力部分，就只是通过外参，把imu的重力分量去掉了，没有说有估计重力的部分。是因为在lego_loam 这类系统里，默认机体是平放地面，Z轴朝上， 而VINS考虑到手持飞控等场景，所以需要额外估计重力方向。但是为了系统具有更强的鲁棒性，所以静止几秒估计重力的方向会更好。("激光比较重型，除了机载的特殊轻型激光，一般都默认水平安装的")
diff --git a/第七章基于滤波的融合方法/README.md b/第七章基于滤波的融合方法/README.md
@@ -1210,7 +1210,13 @@ bool KITTIFiltering::SetInitGNSS(const Eigen::Matrix4f &gnss_pose) {
 | ![2021-10-12 12-32-51 的屏幕截图](https://kaho-pic-1307106074.cos.ap-guangzhou.myqcloud.com/CSDN_Pictures/%E6%B7%B1%E8%93%9D%E5%A4%9A%E4%BC%A0%E6%84%9F%E5%99%A8%E8%9E%8D%E5%90%88%E5%AE%9A%E4%BD%8D/%E7%AC%AC%E5%85%AD%E7%AB%A0%E6%BF%80%E5%85%89%E9%87%8C%E7%A8%8B%E8%AE%A112021-10-12%2012-32-51%20%E7%9A%84%E5%B1%8F%E5%B9%95%E6%88%AA%E5%9B%BE.png) |
 | ![2021-10-12 13-21-40 的屏幕截图](https://kaho-pic-1307106074.cos.ap-guangzhou.myqcloud.com/CSDN_Pictures/%E6%B7%B1%E8%93%9D%E5%A4%9A%E4%BC%A0%E6%84%9F%E5%99%A8%E8%9E%8D%E5%90%88%E5%AE%9A%E4%BD%8D/%E7%AC%AC%E5%85%AD%E7%AB%A0%E6%BF%80%E5%85%89%E9%87%8C%E7%A8%8B%E8%AE%A112021-10-12%2013-21-40%20%E7%9A%84%E5%B1%8F%E5%B9%95%E6%88%AA%E5%9B%BE.png) |
 
+## 6. 关于ESKF 的一些个人理解
 
+重温：[多传感器融合定位理论基础（八）：基于滤波的融合方法](https://leetcode-cn.com/problemset/all/)
+
+1.以误差作为状态量的滤波方法ESKF(Error state kalman filter)较为常用，“EKF尝试通过线性化来近似名义状态的变化，而EsKF则尝试通过线性化来近似误差状态的变化”。而使用位姿做更新的EKF方法也成为(名义方程)。在完成一次ESKF迭代后，有点需要主要的是：当有新的融合数据进来，要进行一次新的观测时，因为之前的状态量已经用来补偿了，因此需要清零，所以此时的 先验状态量 delta_x_k_hat = 0  。 变化的更新体现在观测上 delta_y  =  (预测值 - 观测值) 。
+
+																																													edited by kaho 2021.10.12
 
 																																																					edited by kaho 2021.10.12
 
diff --git a/第五章惯性导航原理及误差分析/README.md b/第五章惯性导航原理及误差分析/README.md
@@ -475,4 +475,28 @@ virtual   bool   Evaluate(double  const  *const   *parameters,
 
 ![analytical2](https://kaho-pic-1307106074.cos.ap-guangzhou.myqcloud.com/CSDN_Pictures/%E6%B7%B1%E8%93%9D%E5%A4%9A%E4%BC%A0%E6%84%9F%E5%99%A8%E8%9E%8D%E5%90%88%E5%AE%9A%E4%BD%8D/%E7%AC%AC%E5%9B%9B%E7%AB%A0%E7%82%B9%E4%BA%91%E5%9C%B0%E5%9B%BE%E6%9E%84%E5%BB%BA%E5%8F%8A%E5%9F%BA%E4%BA%8E%E7%82%B9%E4%BA%91%E5%9C%B0%E5%9B%BE%E5%AE%9A%E4%BD%8Danalytical2.png)
 
+### 4. 课程答疑总结
+
+#### 4.1 重定位问题
+
+问：定位这一块,借助 gps 能大致获取 pose(这里假设 gps 初始比较到位),初始的 orientation 只能沿各个方向去搜索是吧。然后当定位
+丢了,现在普遍采用什么样的形式去进行重定位,已经在运行中了,点云在不断的变化,已经很难去定位了吧。
+
+答：在有惯导的前提下，可以使用惯导的姿态来做重定位的初始化。
+
+#### 4.2 在建图启动初期,汽车速度是否最好为低速或静止?
+
+答：是的，低速或静止的情况下，建图效果会更好，过高的动态会有影响。
+
+### 4.3 在长直道时,发现即使慢速播放,也会跑飞,暂时分析由于,长直道特征点较少,并且车辆较多,导致特征匹配混乱导致。请
+问老师,在解决长直道的建图定位,有什么好的 trick 吗(imu + RTK +Lidar) 框架下。
+
+答：使用优势互补，公开道路可以使用gps，组合导航可以把很多问题都解决一下，或者添加轮速计，或者加入路标约束。
+
+### 4.4  室外环境下,有 RTK 进行位姿矫正,还有必要进行回环检测么?
+
+答：非常有必要，RTK本身也有误差，假设RTK本身的位置误差为10cm(已经非常小),那么一辆车建图时，向北10cm误差，向南10cm误差，地图拼接起来是20cm的误差，容易导致产生重影，消除地图重影是非常必要的，引入回环检测可以有效的消除地图重影。关于为什么要使用回环检测，可参考： https://zhuanlan.zhihu.com/p/110711975
+
+
+
 																																														edited by kaho 2021.9.21
diff --git a/第五章惯性导航原理及误差分析/作业讲评/第二次在线答疑问题收集整理.pdf b/第五章惯性导航原理及误差分析/作业讲评/第二次在线答疑问题收集整理.pdf
diff --git a/第十一章多传感器时空标定(综述)/多传感器融合定位-第11讲 V1.pdf b/第十一章多传感器时空标定(综述)/多传感器融合定位-第11讲 V1.pdf
diff --git a/第十一章多传感器时空标定(综述)/第八次在线答疑问题总结.pdf b/第十一章多传感器时空标定(综述)/第八次在线答疑问题总结.pdf
diff --git a/第十一章多传感器时空标定(综述)/第四次在线答疑问题收集-任乾老师解答返回.docx b/第十一章多传感器时空标定(综述)/第四次在线答疑问题收集-任乾老师解答返回.docx
diff --git a/第十章基于优化的定位方法/README.md b/第十章基于优化的定位方法/README.md
@@ -2,7 +2,7 @@
 
 本章是基于先验地图的图优化方法，先验地图的构建可参考[多传感器融合定位 第九章 基于优化的建图方法](https://blog.csdn.net/weixin_41281151/article/details/123406337)
 
-代码下载：
+代码下载：[https://github.com/kahowang/sensor-fusion-for-localization-and-mapping/tree/main/%E7%AC%AC%E5%8D%81%E7%AB%A0%20%E5%9F%BA%E4%BA%8E%E4%BC%98%E5%8C%96%E7%9A%84%E5%AE%9A%E4%BD%8D%E6%96%B9%E6%B3%95](https://github.com/kahowang/sensor-fusion-for-localization-and-mapping/tree/main/%E7%AC%AC%E5%8D%81%E7%AB%A0%20%E5%9F%BA%E4%BA%8E%E4%BC%98%E5%8C%96%E7%9A%84%E5%AE%9A%E4%BD%8D%E6%96%B9%E6%B3%95)
 
 ## 1.环境配置：
 
@@ -65,10 +65,12 @@ VINS系列相关代码：滑动窗口部分
 
 ![image-20220319175400826](https://kaho-pic-1307106074.cos.ap-guangzhou.myqcloud.com/CSDN_Pictures/%E6%B7%B1%E8%93%9D%E5%A4%9A%E4%BC%A0%E6%84%9F%E5%99%A8%E8%9E%8D%E5%90%88%E5%AE%9A%E4%BD%8D/%E7%AC%AC%E4%BA%8C%E7%AB%A0%E6%BF%80%E5%85%89%E9%87%8C%E7%A8%8B%E8%AE%A11image-20220319175400826.png)
 
-注意的是，GeYao助教的公式推导和代码少了，位置残差对姿态的雅克比，以下为补充的推导。
+注意的是，GeYao助教的公式推导和代码少了，位置残差对姿态的雅克比，以下图一为补充的推导。以及姿态残差对i时刻的姿态的雅克比补充详细推导，如下图二所示。
 
 ![webwxgetmsgimg](https://kaho-pic-1307106074.cos.ap-guangzhou.myqcloud.com/CSDN_Pictures/%E6%B7%B1%E8%93%9D%E5%A4%9A%E4%BC%A0%E6%84%9F%E5%99%A8%E8%9E%8D%E5%90%88%E5%AE%9A%E4%BD%8D/%E7%AC%AC%E4%BA%8C%E7%AB%A0%E6%BF%80%E5%85%89%E9%87%8C%E7%A8%8B%E8%AE%A11webwxgetmsgimg.jpeg)
 
+![1638492414](https://kaho-pic-1307106074.cos.ap-guangzhou.myqcloud.com/CSDN_Pictures/%E6%B7%B1%E8%93%9D%E5%A4%9A%E4%BC%A0%E6%84%9F%E5%99%A8%E8%9E%8D%E5%90%88%E5%AE%9A%E4%BD%8D/%E7%AC%AC%E4%BA%8C%E7%AB%A0%E6%BF%80%E5%85%89%E9%87%8C%E7%A8%8B%E8%AE%A111638492414.jpg)
+
 ##### c.代码补全
 
 FILE: factor_prvag_relative_pose.hpp
@@ -781,17 +783,29 @@ gps的主要作用个人认为主要有两个：1.消除行驶过程中累积误
 
 ### 5.7 点云匹配过程中，特征退化的现象(长廊、隧道)，有什么方法可以判断出来？（待补充）
 
-1.特征退化的场景(如长廊、隧道)，因为只有两侧的观测，可以对匹配的协方差矩阵进行特征值分解，通过判断特征值的分布状况判断。
+1.特征退化的场景(如长廊、隧道)，因为只有两侧的观测，可以对匹配的协方差矩阵进行特征值分解，通过判断特征值的分布状况判断，可参考 [LOAM SLAM原理之防止非线性优化解退化](https://blog.csdn.net/i_robots/article/details/108724606)，但loam里解决特征退化的方法，鲁棒性不强，需要通过不同的场景来设置阈值，实际中只有特征退化很明显的地方(长廊没有其他物体)，才好区分出是否发生特征退化。
 
 2.也可已增加imu uwb等辅助传感器。
 
-### 5.8 IMU上电的bias需要怎么估计？(待补充)
+### 5.8 IMU上电的bias需要怎么估计？在建图定位中，我们有必要做bias初始化吗，课程的框架是没给bias初始化的。(待补充)
+
+bias的估计，不同的传感器厂家标定方法不一样。课程中给定的初始bias为0，因为kitti数据集中已经默认补偿了bias。一般的传感器厂家，如果有定制需求，可以输出bias或者bias补偿后的accel、gyro数据，如果传感器只输出raw_data 可以参考 lio_mappping vins 的初始化bias的方法。民用级的MEMS惯导，bias的影响很大，尽量标定补偿一下。
+
+### 5.9 惯导绕“8”字初始化的作用？VINS绕“8”字初始化的作用？
+
+**惯导**绕“8”字初始化，是为了imu初始对准，包括航向和bias。**VINS**是单目相机，初始化的时候需要估计重力方向和尺度，激光就不需要估计尺度了。
+
+### 5.10 图优化 因子图 位姿图 概念（待补充）
+
+### 5.11 边缘化先验因子移除老的帧过程中，为什么需要分两步？
+
+a.使用和要边缘话掉的量无关的因子，构建剩余变量对应的Hessian矩阵。
 
-kitti数据集中貌似已估
+b.挑出要和边缘化掉的量相关的因子，构建待边缘化的Hessian矩阵，并使用舒尔补做边缘化。
 
-### 5.9 图优化 因子图 位姿图 概念（待补充） 
+分两步的原因：原话“基于kitti的实现原理 22:00" ,个人理解是，分开两部构建边缘化后的Hessian矩阵，可以将两部分解耦开来，解耦为，第一部分：与历史信息相关的信息矩阵 ；第二部分：仅与后续状态量相关的信息矩阵；两部分互不干扰，而第一部分也称为先验因子(factor_graph)。lio_mapping 中是分两部进行边缘化老的关键帧，VINS中使用一步更新Hessian矩阵。
 
-### 5.10  SLAM 算法岗位应届生招聘要求
+### 5.12  SLAM 算法岗位应届生招聘要求
 
 a.slam 的基础知识，前端匹配：icp ndt， 后端优化： 高斯牛顿法、LM优化
 

diff --git a/第十章基于优化的定位方法/README.pdf b/第十章基于优化的定位方法/README.pdf
diff --git a/第十章基于优化的定位方法/catkin3_ws/src/lidar_localization/build/CATKIN_IGNORE b/第十章基于优化的定位方法/catkin3_ws/src/lidar_localization/build/CATKIN_IGNORE