河海大学国防生机器人运动与实验室重要公开内容汇总

行政事务类

吐槽墙

https://docs.qq.com/sheet/DQ1ZsYnJ2QlZHdnhj?tab=BB08J2&coord=C12%24C12%240%240%240%240

实验室科学与技术交流论坛统计

https://docs.qq.com/sheet/DQ0hPUmZDcnR1TkJz?preview_token=&coord=G7%24G7%240%240%240%240&tab=BB08J2

实验室自筹经费收入支出详情

https://docs.qq.com/sheet/DRE9mYm1IbE1DTHhh?tab=BB08J2&coord=A1%24A1%240%240%2481%240

财务登记表

https://docs.qq.com/sheet/DS0RvSUtNaVZIcVN2

实验室公共元器件清单

https://docs.qq.com/sheet/DS1ZEZHNsZ21La09X?tab=BB08J2

实验室科学与技术交流论坛统计

https://docs.qq.com/sheet/DQ0hPUmZDcnR1TkJz?preview_token=&coord=G7%24G7%240%240%240%240&tab=BB08J2

后勤保障工作意见论坛

https://docs.qq.com/sheet/DQ1ppTFJiVXpQenVw?tab=BB08J2&coord=C3%24C3%240%240%240%240)

福利类

  1. VPN账号,在公告上自取(杨文杰维护)

  2. 得到的大量资源(田壮壮维护)

    1
    2
    3
    ftp://server.blackant.org
    dedao
    dedao
  3. 实验室域名邮箱(田壮壮维护)

  4. 深蓝学院资源,详情见公告(祝朝政维护)

警犬项目经验总结

警犬项目前前后后也已经做了1年出头了,虽然我对这种架构(所谓的单片机+树莓派这种机器人常见方案)用了很多年了,比较熟悉了,但是还是遇到了一个尚未探索到的地方,直到今天,我觉得大概做的是让自己达到了90%的满意度。

Read More

SVO详解

首先科普下计算机视觉和机器视觉

计算机视觉

主要是质的分析,比如分类识别,这是一个杯子那是一条狗。或者做身份确认,比如人脸识别,车牌识别。或者做行为分析,比如人员入侵等。

机器视觉

主要侧重对量的分析,比如用视觉去测量一个零件的直径。

Read More

《黑镜之光》综合科教书籍出版计划

**成文出版项目**

  1. 书籍名称:暂定《黑镜之光》
  2. 内容要求(由老师增加):
    • 介绍前沿技术与相关产品;
    • 构想相关未来产品,并作应用分析。
  3. 针对读者:
    • 相关专业初学者,可以通过它拓展技术视角,初步了解世界前沿技术;
    • 有专业基础的学者,可以通过它获取技术下一步发展的产品灵感;
    • 对于广大读者,可读性强。
  4. 项目负责人:
    • 主编:何明教授
    • 副主编:祝朝正
    • 联系人:董昌智
  5. 初稿成形时间:
    • 3个月(2018年04月15日)

DSO详解

DSO(Direct Sparse Odometry),是慕尼黑工业大学(Technical University of Munich, TUM)计算机视觉实验室的雅各布.恩格尔(Jakob Engel)博士,于2016年发布的一个视觉里程计方法(期刊论文见[1],实验室主页见Computer Vision Group)。在SLAM领域,DSO属于稀疏直接法,据论文称能达到传统特征点法的五倍速度(需要降低图像分辨率),并保持同等或更高精度,代码见:JakobEngel/dso。然而,由于某些历史和个人的原因,DSO的代码清晰度和可读性,明显弱于其他SLAM方案如ORB、SVO、okvis等,使得研究人员很难以它为基础,展开后续的研究工作。因此,本文希望从理论和实现层面解读DSO,尝试为其他对DSO感兴趣的研究人员提供一些有益的思路和观点。

Read More

一步步完善视觉里程计7——mapping

前面运动估计部分就已经完成了,虽然步骤很多但是总的目的是为了局部姿态估计的准确性。接下来我们要做的操作就是mapping,给mapping单独开出一个线程,主要的目的是根据给出的图像和其姿态Ik , Tk,w,用于估计那些不知道对应3D点的二维特征的深度信息。

Read More

一步步完善视觉里程计6——运动估计Pose and Structure Refinement

前面进行了feature align,也就是不仅考虑了相连的两帧,而且考虑了前面有相同视角的N个关键帧。通过前面的关键帧确定的特征及三维点,投影到当前帧中,来对当前帧中的特征进行优化。但是这一步发现,只是在图像层面进行了优化,而没有考虑级线约束等。</br>
这就通过最小化投影误差来优化运动和结构,具体如下图:

Read More