我用这个方法挂载了我笔记本电脑里面的第二块硬盘，开心！

现在是系统装在固态硬盘里面，速度超快，数据存储在了机械硬盘，不在担心空间不足了。

微信答疑交流群"xiaoqiuslambiji"

查看硬盘挂载情况命令

sudo fdisk -l | grep '/dev'


1

查看磁盘的使用情况命令

df -h


1


新硬盘挂载命令

挂接命令(mount)格式：

mount [-t vfstype] [-o options] device dir


1
其中：


	
-t vfstype 指定文件系统的类型，通常不必指定。
mount 会自动选择正确的类型。常用类型有：

	光盘或光盘镜像：iso9660
DOS fat16文件系统：msdos
Windows 9x fat32文件系统：vfat
Windows NT ntfs文件系统：ntfs
Mount Windows文件网络共享：smbfs
UNIX(LINUX) 文件网络共享：nfs
	
	

	
-o options 主要用来描述设备或档案的挂接方式。

	常用的参数有：
loop用来把一个文件当成硬盘分区挂接上系统
ro采用只读方式挂接设备
rw采用读写方式挂接设备
iocharset指定访问文件系统所用字符集
	
	

	
device 要挂接(mount)的设备。
	
	

	
dir设备在系统上的挂接点(mount point)。
	
举例：

sudo mount /dev/sdc1 /home/q/2t


1
卸载命令

sudo umount /dev/sdc1


1
新硬盘格式化：

可以通过这个命令：sudo blkid 查看已经挂载硬盘的系统


格式成ext4格式命令：

sudo mkfs -t ext4 /dev/sdb


1
接着输入y

然后等待

最后完成

如果顺利会都显示done否则会显示woring并且退出。


查看硬盘UUID

blkid /dev/sdb


1


执行sudo vim /etc/fstab添加命令
参数解释：

<spec> <file> <vfstype> <mntops> <freq> <passno>


1
具体说明，以挂载/dev/sdb1为例：

：分区定位，可以给UUID或LABEL，

例如：UUID=6E9ADAC29ADA85CD或LABEL=software
file 具体挂载点的位置，例如：/data
vfstype挂载磁盘文件系统类型，linux分区一般为ext4，windows分区一般为ntfs
mntops挂载参数，一般为defaults
freq指定分区是否被dump备份，0代表不备份，1代表每天备份，2代表不定期备份。
passno磁盘检查，默认为0，不需要检查

修改完/etc/fstab文件后，运行命令：sudo mount -a如果没有报错就证明配制好了。

如果配置不正确可能会导致系统无法正常启动。

重启系统 命令：sudo reboot

修复由/etc/fstab文件配制错误引起的系统不能启动问题

启动后根据提示按 m 进入root命令行页面，更改/etc/fstab文件，然后重新启动。

如果不能修改/etc/fstab文件，可能是根分区挂载权限问题，

可使用 mount -o remount,rw / 重新挂载根分区，其中rw代表读写权限。

修改好后，重启完成修复。

如果上面方法不行就用U盘的系统进入，将你更改的/etc/fstab地方删除，重启就可以正常进入了

如果是带有显卡的笔记本， 按e 增加 nomodeset屏蔽就可以进入系统了

详细参考我装系统的教程，还是不懂就私聊我吧

惠普带显卡游戏本安装Ubuntu16.04系统禁用nouveau显卡安装nvidia显卡驱动

文章目录
Ubuntu16.04系统下搭建开发环境和源码的编译调试
位置姿态的表示显示与优化
非线性优化
两帧之间的视觉里程计
小秋slam笔记交流群


微信答疑交流群「xiaoqiuslambiji」小秋SLAM笔记专注VSLAM代码实践

Ubuntu16.04系统下搭建开发环境和源码的编译调试
视觉SLAM十四讲实践系列笔记之ubuntu16.04系统下高频使用命令
视觉SLAM十四讲实践系列笔记之安装和如何使用C++集成开环境Clion调试C++和ROS项目
视觉SLAM十四讲实践系列笔记之安装和如何使用Visual Studio Code调试C++和ROS项目
视觉SLAM十四讲实践系列笔记之ubuntu16.04下如何搭建开发环境安装OpenCV等开源算法库
视觉SLAM十四讲实践系列笔记之如何使用cmake组织编译大型C++源码项目
视觉SLAM十四讲实践系列笔记之gdb如何调试C++源码项目
ubuntu16.04下如何使用git创建代码仓库对本地代码进行版本控制
位置姿态的表示显示与优化
eigen下的位姿表示显示变换

视觉SLAM十四讲实践系列笔记之eigen表示四种位姿以及相互转换
视觉SLAM十四讲实践系列之坐标系之间的欧式变换
李群李代数sophus下位姿的优化

视觉SLAM十四讲实践系列之Sophus下的位姿表示和更新优化和修正
轨迹可视化与评估

视觉SLAM十四讲实践系列笔记之轨迹可视化
视觉SLAM十四讲实践笔记系列之真实轨迹和估计轨迹均方根误差
TUM数据集RGBD-Benchmark工具之associate.py

TUM数据集RGBD-Benchmark工具之evaluate_ate.py

TUM数据集RGBD-Benchmark工具之evaluate_rpe.py
如何使用evo工具评估位姿轨迹精度？
传感器

TOF的工作原理是什么

RealSense D435i RGBD英特尔® 实感™ D435i 深度摄像头 硬件结构及各个组件原理详解 SDK ROS

SLAM领域传感器工作原理与使用场景汇总

扫地机器人工作原理、传感器原理、结构、工作流程、路径规划技术

小觅双目摄像头MYNTEYE-S1030-IR和自制双目摄像头测试ORB-SLAM2和RTAB-Map的运行效果对比
文件 yaml

「原理+实践」从文件或终端读写yaml和txt文件
图像 opencv

模拟图像、数字图像、OpenCV表示图像

视觉SLAM十四讲系列之图像的基本操作

视觉SLAM十四讲实践笔记系列之图像去畸变
用直方图统计图像的像素和计算图像的矩

高斯平滑和高斯模糊的算法

离散傅里叶变换和仿射变换Affine Transformation在图像处理中的应用及原理

循环读取rgbd_dataset_freiburg1_desk数据集每一张图片并且重命名的两种方法

视觉SLAM十四讲实践系列之OpenCV实现特征点检测和匹配
G2O优化问题 视觉SLAM十四讲系列之第七讲pose_estimation_2d2d.cpp

视觉SLAM十四讲实践系列之三角化方法求深度

视觉SLAM十四讲实践笔记系列之双目图像如何生成视差图和点云图

[视觉SLAM十四讲实践系列之两张图像拼接成点云]
非线性优化
如何理解概率密度函数以及概率论的一些总结

视觉SLAM十四讲实践系列之曲线拟合高斯牛顿优化

G2O优化问题 视觉SLAM十四讲系列之第七讲pose_estimation_2d2d.cpp

视觉SLAM十四讲实践系列之三角化方法求深度

视觉SLAM十四讲实践笔记系列之双目图像如何生成视差图和点云图

视觉SLAM十四讲实践系列之两张图像拼接成点云

一文帮你理解SLAM的投影模型、像素坐标系、图像坐标系、相机坐标系、世界坐标系

视觉SLAM十四讲实践系列之3D-2D求位姿用高斯牛顿和最小二乘法优化

视觉SLAM里的最小二乘Bundle Adjustment问题

Bundle adjustment 总结

视觉SLAM十四讲实践笔记系列之3D-3D求解位姿并用g2o优化

g2o之非线性优化（一）

视觉SLAM十四讲实践笔记系列之g2o_viewer

视觉SLAM十四讲实践系列之VIZ可视化

OpenCV Viz 代码实战详解
两帧之间的视觉里程计
视觉SLAM十四讲实践笔记系列之视觉里程计前端基本数据结构

视觉SLAM十四讲实践系列之两帧之间的视觉里程计

视觉SLAM十四讲实践系列之g2o优化两帧之间的视觉里程计

BA问题用g2o求解重新投影误差优化相机位姿和路标点的源码注释版本来了

什么是路标点？

视觉SLAM十四讲实践系列之两帧之间的视觉里程计g2o优化并保存mappiont路标点

精确率、精度（Precision） 召回率（recall）你真的理解吗？

SLAM 后端优化 算法 简单描述

欧氏距离、汉明距离、余弦相似度

一起做RGB-D SLAM (1)-(7) 代码实践

我的 一起做RGB-D SLAM (1)-(7) 代码实践

高博博客

高博代码
小秋slam笔记交流群

高翔视觉slam14讲学习笔记（2-eigen库、坐标系基础学习）
Eigen库的学习
个人觉得，eigen库的学习，最好按照小秋slam 的blog手打一遍

视觉SLAM十四讲实践系列之eigen表示四种位姿


高博 useEigen代码
#include <iostream>

using namespace std;

#include <ctime>
// Eigen 核心部分
#include <Eigen/Core>
// 稠密矩阵的代数运算（逆，特征值等）
#include <Eigen/Dense>

using namespace Eigen;

#define MATRIX_SIZE 50

/****************************
* 本程序演示了 Eigen 基本类型的使用
****************************/

int main(int argc, char **argv) {
  // Eigen 中所有向量和矩阵都是Eigen::Matrix，它是一个模板类。它的前三个参数为：数据类型，行，列
  // 声明一个2*3的float矩阵
  Matrix<float, 2, 3> matrix_23;

  // 同时，Eigen 通过 typedef 提供了许多内置类型，不过底层仍是Eigen::Matrix
  // 例如 Vector3d 实质上是 Eigen::Matrix<double, 3, 1>，即三维向量
  Vector3d v_3d;
  // 这是一样的
  Matrix<float, 3, 1> vd_3d;

  // Matrix3d 实质上是 Eigen::Matrix<double, 3, 3>
  Matrix3d matrix_33 = Matrix3d::Zero(); //初始化为零
  // 如果不确定矩阵大小，可以使用动态大小的矩阵
  Matrix<double, Dynamic, Dynamic> matrix_dynamic;
  // 更简单的
  MatrixXd matrix_x;
  // 这种类型还有很多，我们不一一列举

  // 下面是对Eigen阵的操作
  // 输入数据（初始化）
  matrix_23 << 1, 2, 3, 4, 5, 6;
  // 输出
  cout << "matrix 2x3 from 1 to 6: \n" << matrix_23 << endl;

  // 用()访问矩阵中的元素
  cout << "print matrix 2x3: " << endl;
  for (int i = 0; i < 2; i++) {
    for (int j = 0; j < 3; j++) cout << matrix_23(i, j) << "\t";
    cout << endl;
  }

  // 矩阵和向量相乘（实际上仍是矩阵和矩阵）
  v_3d << 3, 2, 1;
  vd_3d << 4, 5, 6;

  // 但是在Eigen里你不能混合两种不同类型的矩阵，像这样是错的
  // Matrix<double, 2, 1> result_wrong_type = matrix_23 * v_3d;
  // 应该显式转换
  Matrix<double, 2, 1> result = matrix_23.cast<double>() * v_3d;
  cout << "[1,2,3;4,5,6]*[3,2,1]=" << result.transpose() << endl;

  Matrix<float, 2, 1> result2 = matrix_23 * vd_3d;
  cout << "[1,2,3;4,5,6]*[4,5,6]: " << result2.transpose() << endl;

  // 同样你不能搞错矩阵的维度
  // 试着取消下面的注释，看看Eigen会报什么错
  // Eigen::Matrix<double, 2, 3> result_wrong_dimension = matrix_23.cast<double>() * v_3d;

  // 一些矩阵运算
  // 四则运算就不演示了，直接用+-*/即可。
  matrix_33 = Matrix3d::Random();      // 随机数矩阵
  cout << "random matrix: \n" << matrix_33 << endl;
  cout << "transpose: \n" << matrix_33.transpose() << endl;      // 转置
  cout << "sum: " << matrix_33.sum() << endl;            // 各元素和
  cout << "trace: " << matrix_33.trace() << endl;          // 迹
  cout << "times 10: \n" << 10 * matrix_33 << endl;               // 数乘
  cout << "inverse: \n" << matrix_33.inverse() << endl;        // 逆
  cout << "det: " << matrix_33.determinant() << endl;    // 行列式

  // 特征值
  // 实对称矩阵可以保证对角化成功
  SelfAdjointEigenSolver<Matrix3d> eigen_solver(matrix_33.transpose() * matrix_33);
  cout << "Eigen values = \n" << eigen_solver.eigenvalues() << endl;
  cout << "Eigen vectors = \n" << eigen_solver.eigenvectors() << endl;

  // 解方程
  // 我们求解 matrix_NN * x = v_Nd 这个方程
  // N的大小在前边的宏里定义，它由随机数生成
  // 直接求逆自然是最直接的，但是求逆运算量大

  Matrix<double, MATRIX_SIZE, MATRIX_SIZE> matrix_NN
      = MatrixXd::Random(MATRIX_SIZE, MATRIX_SIZE);
  matrix_NN = matrix_NN * matrix_NN.transpose();  // 保证半正定
  Matrix<double, MATRIX_SIZE, 1> v_Nd = MatrixXd::Random(MATRIX_SIZE, 1);

  clock_t time_stt = clock(); // 计时
  // 直接求逆
  Matrix<double, MATRIX_SIZE, 1> x = matrix_NN.inverse() * v_Nd;
  cout << "time of normal inverse is "
       << 1000 * (clock() - time_stt) / (double) CLOCKS_PER_SEC << "ms" << endl;
  cout << "x = " << x.transpose() << endl;

  // 通常用矩阵分解来求，例如QR分解，速度会快很多
  time_stt = clock();
  x = matrix_NN.colPivHouseholderQr().solve(v_Nd);
  cout << "time of Qr decomposition is "
       << 1000 * (clock() - time_stt) / (double) CLOCKS_PER_SEC << "ms" << endl;
  cout << "x = " << x.transpose() << endl;

  // 对于正定矩阵，还可以用cholesky分解来解方程
  time_stt = clock();
  x = matrix_NN.ldlt().solve(v_Nd);
  cout << "time of ldlt decomposition is "
       << 1000 * (clock() - time_stt) / (double) CLOCKS_PER_SEC << "ms" << endl;
  cout << "x = " << x.transpose() << endl;

  return 0;
}

位姿坐标变换
第二章证明作业主要参考下面的这位博主，个人觉得他已经写得很清晰

深蓝学院视觉slam十四讲第2章作业

视觉SLAM十四讲（第二章作业）

高翔视觉slam14讲学习笔记（1-基础概述） cmake使用记录、orbslam2运行记录及心得
前言：2021年，前期我学习过(黎嘉信老师)的三维点云处理与(任乾老师的)多传感器融合课程，在学习过程中，深感基础不足，十分吃力，所以决定，在2021年把基础补上，故前往学习高博的slam14讲，本次为一些个人的学习笔记，仅供个人记录所用，不具备太多参考价值，谢谢大家。
视觉slam第一章作业参考博客：

cmake学习，B站小秋slam笔记

数据SLAM十四讲(第一章作业)-参考1

数据SLAM十四讲(第一章作业)-参考2

数据SLAM十四讲(第一章作业)-参考3
CMakeLists.txt 记录
教学视频，秋姐slam cmake教学：

如何编写编译文件CMakeLists.txt(六)



                        
                        
如何编写编译文件CMakeLists.txt(六)
                    

#声明要求的cmake 最低版本
cmake_minimum_required (VERSION 2.8)
#设置编译模式
SET( CMAKE_BUILD_TYPE "Release")
#声明一个cmake 工程
PROJECT(HelloSLAM)

#添加头文件
INCLUDE_DIRECTORIES(${PROJECT_SOURCE_DIR}/include)

#include/hello.h 和 src/hello.c 构成了 libhello.so 库
ADD_LIBRARY(hello SHARED ${PROJECT_SOURCE_DIR}/src/hello.cpp)

#⽂件 useHello.c 中含有⼀个 main 函数，它可以编译成⼀个可执⾏⽂件，名为“sayhello”
ADD_EXECUTABLE(sayhello useHello.cpp)
#将库文件链接到可执行程序上
TARGET_LINK_LIBRARIES(sayhello hello)
#如果⽤户使⽤ sudo make install，那么将 hello.h 放⾄/usr/local/include/下
INSTALL(TARGETS hello LIBRARY DESTINATION /usr/local/lib)
#将 libhello.so 放⾄/usr/local/lib/下
INSTALL(FILES ${PROJECT_SOURCE_DIR}/include/hello.h DESTINATION /usr/local/include)

orbslam2 实践
运行高博myvideo.mp4效果
视频链接：orbslam2跑高博myvideo

                        
                        
orbslam2跑高博myvideo
                    



运行tum1_desk 数据集效果
tum数据集下载地址

ORB_SLAM2跑TUM——单目和RGBD数据集

ORB-SLAM2运行自己的数据集（单目）



视频链接：orbslam2跑tum1_desk 数据集

                        
                        
orbslam2跑tum1
                    


运行自己手机录数据集效果
视频链接：orbslam2跑自己手机录数据集

                        
                        
orbslam2跑自己手机录数据集
                    


运行自己手机录数据集心得：
视频在29到36秒时建图出现卡住的现象，但是视频还在一直播放，经过和助教姚硕的讨论，发现在这段“卡帧”的时候，orbslam2并没有识别到特征点，原因是摄像头离场景太近和移动速度太快，导致捕捉不了特征点。