前言 OpenPose 是 Carnegie Mellon University（CMU）論文實作的開源函式庫，提供的功能主要就是可以偵測人體的各部位在什麼地方，例如可以在影像中找到臉、身體、手等等地方的特徵點。但他厲害的地方在於可以一次偵測很多人，看看下面這張圖就知道： 這個 repository 仍然相當地 active，有兩個 CMU 的學生常常在 Github 上面解 issue。這次因為筆者需要在 Windows 上面安裝
前言上次跟大家簡介了 Eigen 這個可以用來做線性代數運算的 open source library，讓大家有動手實作、開始玩到東西的感覺。今天要延續動手實作的精神，跟大家介紹一下該怎麼把幾張 RGB-D 影像拼接成 point cloud，接下來就讓我們一起玩玩吧！ 參考資料來源這次的 data（包含 RGB 影像跟 Depth Map） 等等都是來自於 slambook 的 ch5，有這些資料真的超讚的，不然自己光要產生這些資料就
前言上次講了一些基本的理論介紹，但我們現在是希望學會如何實際寫程式讓機器人動起來，只有純數學的觀念跟機器人好像沒什麼關係，所以這次希望可以開始銜接到一個常用的工具 - Eigen。讓大家有動手實作、開始玩到東西的感覺。 為什麼要會 Eigen？首先，Eigen 是一個 C++ 的 open source library，提供了許多線性代數運算相關的函式。 然後，我們這一系列是要介紹 LSD-SLAM，所以當然是因為 LSD-SLAM 也
前言因為前陣子因緣際會發現了 Robot Ignite Academy 跟 ROS Develop Studio（RDS），很希望可以推薦給我們的讀者。所以這期專欄我延伸一下 LSD SLAM 系列，先跟大家介紹這個很酷的學習資源，並介紹跟 LSD SLAM 目的相似的 RTAB-Map 演算法。 為什麼要介紹 RDS？學習的方法有許多種，借引用這一週很紅的 英文學習 repository 的圖： 學習越難的東西，越不容易只靠單一學習
前言在 深入學習 LSD-SLAM - 2 裡面，我們簡單介紹了 Direct Method，先初步地了解這個方法的大致意義，今天再讓我們更深入一點，開始跟 paper 的內容銜接，之後會慢慢越來越深入好玩！ Spiral learning因為這次剛好也是我第一次真正來學 SLAM 相關技術，以前都只是大略看看，沒有真正學通的感覺，所以也想跟大家分享一下個人學習的心得。 大家或多或少應該都經歷過一個情境 - 你要學習一個東西，但是因為這
前言上回我們在深入學習 LSD-SLAM - 1中提到，LSD-SLAM 的一大特色是不計算特徵點、直接使用所有 pixel 來計算相機的姿態。但是，每一幀都有 640x480 個 pixel (作者建議使用 640x480 解析度的相機)，該怎麼處理這些資料呢？今天就來學習 direct method 的基礎。 在開始之前，我們可以從下圖清楚地看出 Feature-Based Method 跟 Direct Method 的差別，其實
前言SLAM 是近年來很火紅的一個技術，也有不少文章在介紹，不過我很少看到針對一些頂級演算法的深入介紹，所以才想透過這篇文章來開始深入很久以前玩過的LSD SLAM，也跟大家一起學習這個迷人的演算法。建議有興趣的讀者先讀過這篇平易近人的 Visual SLAM 簡介，然後再繼續往下看，會更有感覺！ 先放一張 LSD-SLAM 建出來的地圖，讓大家感受一下帥度。 安裝方式安裝方式可以到 LSD-SLAM 的 github page 看看
TechBridge Weekly 技術週刊團隊是一群對用技術改變世界懷抱熱情的團隊。本技術共筆部落格初期專注於Web前後端、行動網路、機器人/物聯網、數據分析與產品設計等正體中文技術原創文章或國外好文翻譯分享。This is TechBridge Weekly Team Tech Blog, which focus on web, mobile, robotics, IoT, data analytics technolog