libviso不断以来被称为在视觉里程计(VO)中的老牌开源算法。
它通过corner,chessboard两种kernel的响应以及非极大值抑制的方式提取特征，并用sobel算子与原图卷积的结果作为特征点的描述子。
在位姿的计算方面，则通过RANSAC迭代的方式，每次迭代随机抽取3个点，根据这三个点，用高斯牛顿法计算出一个RT矩阵，表示两帧图像之间，相机的姿态变换。
而位姿的计算也是libviso中较为抽象的一部分，接下来，本文将在读者已经对立体视觉的基本原理，以及libviso的场景流匹配熟悉的前提下，对这个过程进行详细分析。

具有惯性和里程计的组合的代码，代码量大，需要细心进行研读

本文主要研究基于里程计和单目视觉传感器的地面车辆定位与地图构建问题。
为了提高地面车辆视觉估计的精度，研究人员利用了近似平面运动的约束，并且通常将其作为SE（3）姿势的随机约束来实现。
本文提出了一种在se（2）上直接参数化地面车辆姿势的简单算法。
该方法不忽略se（2）运动扰动，而是将其引入一个新的se（2）-xyz约束的综合噪声项中，通过图像特征测量将se（2）姿势和3d地标关联起来。
对于里程测量处理，我们还提出了一种有效的se（2）预积分算法。
利用这些约束条件，以一种常用的图优化结构，开发了一个完整的视觉里程定位与映射系统。
在工业室内环境下的实际实验验证了该方法在精度和鲁棒性方面的优越性。

SLAM导航机器人零基础实战系列-第3章_感知与大脑在我的想象中机器人首先应该能自由的走来走去，然后应该能流利的与主人对话。
朝着这个理想，我准备设计一个能自由行走，并且可以与人语音对话的机器人。
实现的关键是让机器人能通过传感器感知周围环境，并通过机器人大脑处理并输出反馈和执行动作。
本章节涉及到的传感器有激光雷达、IMU、轮式里程计、麦克风、音响、摄像头，和用于处理信息的嵌入式主板。
关于传感器的ROS驱动程序开发和在机器人上的使用在后面的章节会展开，本章节重点对机器人传感器和嵌入式主板进行讲解，主要内容：1.ydlidar-x4激光雷达2.带自校准九轴数据融合IMU惯性传感器3.轮式里程计与运动控制4.音响麦克风与摄像头5.机器人大脑嵌入式主板功能对比6.做一个能走路和对话的机器人

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。