VIO理论——李代数求导中最核心的两个公式！

机器人学中的数学魔法：如何用李群李代数解决3D姿态估计问题？

本文深入探讨了李群李代数在机器人3D姿态估计中的关键作用，特别聚焦于SO(3)群与指数映射的应用。通过解析旋转矩阵的数学本质、李代数优化方法及工程实践中的解决方案，为自动驾驶和SLAM系统提供了高效稳定的姿态估计框架，有效解决了传统欧拉角和四元数表示法的局限性。

SLAM中的李群和李代数（个人理解（1）--旋转矩阵（正交矩阵）求导）

正交矩阵（旋转矩阵）求导

VIO 第一讲 概述与课程介绍 {课后作业}

文章目录一、课程与内容提要二、VIO概述三、预备知识回顾四、课后作业1、VIO文献阅读2、四元数和李代数更新3、其他导数 一、课程与内容提要 1、课程的核心内容：视觉与IMU融合定位的基础理论和实现。 2、核心内容具体实现： IMU的工作原理和噪声方程 视觉与IMU紧耦合的基础理论 从零开始实现VIO紧耦合优化器（基于Eigen） 二、VIO概述 参考链接：https://www.cnblogs.com/hitcm/p/6327442.html 三、预备知识回顾 1、三维刚体运动 2、四元数 四元数的

Baker-Campbell-Hausdorff (BCH) 公式

设AAA和BBB是两个一般的线性算符（它们不一定是对易的），BCH 公式给出了eAe^AeA和eBe^BeBeAeBeCeAeBeC其中，算符CCC通常由AAA和BBB的对易子（或称交换子）及其高次嵌套对易子来表示。具体地，CCCCAB12AB112AAB−112BAB⋯CAB21​AB121​AAB]]−121​BAB]]⋯。

BCH公式和李代数求导

本文记录BCH公式、李代数求导、伴随矩阵等知识点

VIO当中的预计分 《On-manifold preintegration for real-time visual-inertial Odometry》

该博客是关于VIO当中预计分的知识。同时结合高翔博士的讲解PPT以及原文章。我刚开始也看不是很懂，然后不断的查各种知识甚至原文中的各种英文术语，然后先理解术语是什么意思，再将其与该论文中的应用场景对应，其中还选择择了高翔博士的《视觉SLAM十四讲作为参考资料》。 预备知识—李群李代数 李群李代数的知识参考了《视觉SLAM十四讲》以及预计分论文的前面部分。SO(3)特殊正交群也就是由三维旋转

从旋转矩阵到李代数：三维空间刚体运动的速度解析与几何直观

本文深入解析了三维空间刚体运动的数学表示，从旋转矩阵到李群李代数的转换，详细介绍了角速度和线速度的几何关系及其在机器人控制和计算机视觉中的应用。通过实际代码示例，展示了如何将理论转化为实践，帮助读者掌握刚体运动的核心概念和计算方法。

别再死磕旋转矩阵了！用李代数so(3)搞定SLAM中的姿态优化（附C++代码片段）

本文探讨了在SLAM系统中使用李代数so(3)替代旋转矩阵进行姿态优化的优势，包括简化求导、避免约束问题等。通过详细的数学解释和C++代码示例，展示了如何在实际工程中应用李代数优化技术，提升SLAM系统的性能和开发效率。

从理论到实践：构建视觉SLAM工程师的核心知识图谱

本文系统介绍了视觉SLAM工程师的核心知识图谱构建方法，从基础理论到工程实践全面解析。涵盖旋转表示法、李群李代数等数学难点，以及Ubuntu+ROS开发环境搭建、多传感器融合等实战技巧，帮助读者快速掌握视觉SLAM技术并应用于实际项目。

VIO学习笔记（七）—— VINS 初始化和 VIO 系统

学习资料是深蓝学院的《从零开始手写VIO》课程，对课程做一些记录，方便自己以后查询，如有错误还请斧正。由于习惯性心算公式，所以为了加深理解，文章公式采用手写的形式。 VIO学习笔记（一）—— 概述 VIO学习笔记（二）—— IMU 传感器 VIO学习笔记（三）—— 基于优化的 IMU 与视觉信息融合 VIO学习笔记（四）—— 基于滑动窗口算法的 VIO 系统:可观性和 一致性 VIO学习笔记（五）...

VIO（3）—— VIO 残差函数的构建

文章目录一、系统需要优化的状态量二、视觉重投影误差三、预积分模型3.1 IMU 测量值的积分问题3.2 IMU预积分模型的提出3.3 IMU 的预积分误差3.4 预积分的离散形式3.5 预积分量的方差四、状态误差线性递推公式的推导4.1 简介4.2 基于一阶泰勒展开的误差递推方程4.3 基于误差随时间变化的递推方程4.3 预积分的误差递推公式推导 IMU与VO的融合问题可以看作是对状态量的最小二乘估计，因此核心问题就转换为了VIO 残差函数的构建。 一、系统需要优化的状态量 二、视觉重投影误差 三、预

SLAM进阶——四元数微分与旋转优化实战

本文深入探讨了SLAM进阶中四元数微分与旋转优化的核心原理与实践。针对VIO等实时系统，文章解析了如何在保证四元数旋转属性的前提下定义其导数，并利用李代数扰动模型在流形上进行高效优化。通过实战案例，详细阐述了从误差函数构建、雅可比矩阵计算到迭代求解的完整流程，为SLAM开发者提供了关键的优化实战指导。

手写VIO第1章（笔记+作业）

手写VIO第1章第1节

MSCKF_vio学习笔记

    最近因为项目需求，对MSCKF_vio的论文和代码进行了一番研读，现将学习过程记下。     MSCKF_vio是一种基于多状态约束卡尔曼滤波器的双目视觉里程计。其中多状态约束是指将多帧图像的相机位姿加入卡尔曼状态向量中，在进行卡尔曼增益之前通过多帧图像之间的约束进行最小二乘优化来估计特征点的空间位置，然后根据优化后的特征点空间位置来约束状态向量。     代码中主要有三个文件比较重要：s...

vio_data_simulation 介绍

通俗解释：相机看到了哪些特征点，以及它们在图像中的位置。在gener_alldata.cpp中，通过数学公式定义IMU的轨迹（椭圆运动+正弦运动），并计算其在ENU坐标系下的位姿（位置、速度、旋转）。通过外参 T 将IMU位姿转换为i相机位姿，并确保i相机朝向特征点区域。仿真中的“已知外参”仅仅用于生成测试数据，而VIO算法在完全不知道这些信息的情况下，通过数学优化从零开始估计轨迹。二者在时间、空间、逻辑上都是解耦的，因此并不存在循环矛盾。

VIO实战：从理论到代码，详解相机与IMU时间戳软同步的两种核心算法

本文深入探讨了VIO系统中相机与IMU时间戳软同步的两种核心算法：轨迹匀速模型和特征匀速模型。通过理论分析和代码实现，详细介绍了如何解决时间戳不同步导致的定位偏差问题，提升VIO系统的精度和稳定性。文章还提供了算法对比和工程选型指南，帮助开发者在不同应用场景中做出最优选择。

VINS_MONO系列：(四)紧耦合VIO实现

目录 1、写在前面 2、算法推导 2.1、IMU因子 2.2、视觉因子 2.3、边缘化因子 3、代码实现 4、反思与探讨 5、参考文献 相关链接 VINS系列：(一)总体框架_Derrr...的博客-CSDN博客_vins框架 VINS系列：(二)IMU预积分详细推导_Derrr...的博客-CSDN博客 VINS系列：(三)VIO初始化_Derrr...的博客-CSDN博客 1、写在前面 这篇文章主要介绍VINS的整个VIO的实现方法，包括理论的公式推导部分和代码部分，也就

IMU 预积分原理和推导

IMU预积分的详细推导