寫在前面：forster的**on-manifold preintegration for real-time visual-inertial odemoetry中有關imu預積分的推導，結合之前泡泡機械人網和北航邱笑晨博士的文件一起閱讀，過程看起來就非常的詳盡。但奈何博主數學真的不行，有些地方還是會卡殼。底下對一些可能的細枝末節做再進一步的解釋。
在對**項旋轉觀測值得更新，有這樣的描述：
其中博主當時真沒明白紅圈部分是怎麼來的，根據李群的伴隨性質也沒看懂。北航同學的文件有乙個推導，見下圖
這裡面最後乙個一步也是一開始沒懂，後來想明白了，因為伴隨性質是不會消去矩陣m的，所以你每做一次這個伴隨性質，就在exp指數內多乙個m的轉置。那麼就多做幾次，比如exp（di），就補全i+1到j-1個m陣就行了，這樣就能形成下面這個式子
這裡需要注意的是，雖然這個推導是在後面，但理論也完全適用於理想情況下的預積分觀測值推導過程。
（最近在看這方面的內容，如果有後續的心得也會補充。）
流形學習（一）
1 什麼是流形？經常會在 裡看到 嵌入在高維空間中的低維流形 高維的資料對於我們總是難以想像，所以最直觀的例子通常都會是嵌入在三維空間中的二維或者一維流形。比如說一塊布，可以把它看成乙個二維平面，這是乙個二維的歐氏空間，現在我們 在三維 中把它扭一扭，它就變成了乙個流形 當然，不扭的時候，它也是乙個...
vins學習資料整理？
vins技術路線與 詳解 港科大vins fusion初探 vins中的global fusion節點 應專案需要，側重學習stereo gps融合 vins fusion 解讀 二 慣性視覺里程結果與gps松耦合 萌新學vins fusion 三 雙目和gps融合 vins fusion gps融...
流形學習t SNE，LLE，Isomap
作者 andre ye 編譯 vk analytics indiamag 主成分分析是一種強大的方法，但它往往失敗，因為它假設資料可以線性建模。pca將新的特徵表示為現有特徵的線性組合，將每個特徵乘以乙個係數。為了解決主成分分析的侷限性，人們通過對具有不同結構的資料進行應用而產生了各種各樣的技術。然...