四目视觉标定与精度评估（Four-Eyed Vision Calibration & Fisher Precision）

四目视觉标定与精度评估（Four-Eyed Vision Calibration & Fisher Precision）

搭一组四相机阵列、做完内外参标定后，重投影 RMS 落在约 0.12px。本文记录从标定到回答"这套系统到底有多准、又被什么限制"的完整判断：用 Fisher 信息给出精度的理论下界，实测它，再逐步找出真正的瓶颈——不是模型拟合得不够好，而是检测噪声本身。一个贯穿全文的结论：系统已经贴着自己的检测噪声地板，五个看上去能提精度的杠杆，逐一试过，增益全为零。
3D > Computer_Vision
#3D #Computer_Vision #Calibration #Camera #Fisher_Information #多目视觉 #外参标定
多雷达静态多帧点云测试
齐次变换矩阵与 SE(3)

齐次变换矩阵与 SE(3)

齐次变换矩阵把旋转 $R$ 和平移 $\mathbf p$ 嵌进一个 $4\times4$ 矩阵，让位姿的描述与复合都化为矩阵乘法。它的难点不在定义，而在含义：同一个 ${}^{A}T_B$ 既是坐标换算、又是位姿描述、又是相对运动，由此牵出分解顺序、作用对象、旋转轴位置、内外旋、左右乘一连串相互关联的问题。全文沿"立定义（§1）→ 记号的三层含义（§2，概念核心）→ 数值算例（§3）
3D
#3D #Robotics
激光雷达与机械臂手眼标定理论

激光雷达与机械臂手眼标定理论

本文梳理激光雷达(纯点云)与机械臂的手眼标定理论,覆盖**眼在手上(eye-in-hand,雷达随臂动)与眼在手外(eye-to-hand,雷达固定)**两种配置:从 $AX=XB$ 方程的来源、经典求解器,到纯点云场景下用自然环境替代标定物的可行性、可观测性条件与采集运动设计。一个贯穿全文的判断:外参是雷达与机械臂的固定物理关系,与环境无关;环境只是测量工具——理解它,一类常见疑虑(如&quo
Robotics
#Robotics #HandEye #Calibration #LiDAR
机械臂技术基础
激光雷达成像原理：机械式与固态式
万向节死锁（Gimbal Lock）
结构光相机成像原理与精度实测 -- FM815-IX-E1

结构光相机成像原理与精度实测 -- FM815-IX-E1

本文记录图漾 FM815-IX-E1 结构光深度相机的成像原理推导，以及一组距离-精度的实测。先梳理结构光与双目立体视觉的基础（针孔模型、三角测量、视差、SGBM、整流），再把设备的实测参数代入，和 9 个距离的平面墙平整度数据对照。数值取自设备特性转储、出厂标定和实测采集。
3D > 结构光
#3D #结构光 #双目视觉 #深度相机 #SGBM

矩阵分解 -3- 方法综述

矩阵分解是把一个矩阵拆成若干结构清晰、计算可控的因子之积，是数值线性代数与数据科学的基础工具。本分类下已有《矩阵分解 -1- 概述》的方法清单与《矩阵分解 -2- 特征值分解》的单篇展开，本文作为方法综述，按几何与代数本质把常见分解归为四类——谱类、正交类、直接求解类、应用驱动类——对每类给出定义、因子的含义、适用条件与典型应用，并梳理方法之间的联系、复杂度与数值稳定性，最后给出选型决策。 本文
Linear_Algebra > Matrix_Decomposition
#Linear_Algebra #Matrix_Decomposition
Fisher 信息：相机标定真实数据实操

Fisher 信息：相机标定真实数据实操

本文继续相机内参标定的工作, 之前仿真篇在有真值的数字孪生里算了 CRLB、验证了「在估计处算观测信息」这套方法可信（《Fisher 信息：相机标定仿真实操》，理论见《Fisher 信息与精度下界》）。但仿真篇留了一个缺口：真实标定没有真值，第 6 步的 Monte Carlo 验证做不了。 本文把同一套方法跑在真实采的图上，并用 k 折、独立测试、数据一致性把那步验证补回来——回答：这台相机的
Camera
#Camera
如需原始右键菜单请按下 Ctrl+右键