学习IMU预积分(1)李群

最新推荐文章于 2022-11-05 22:34:54 发布
最新推荐文章于 2022-11-05 22:34:54 发布
阅读量751 收藏
点赞数
分类专栏： IMU
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/AmbitiousRuralDog/article/details/93603256
版权
本文介绍了IMU预积分的学习背景，主要聚焦于李群和李代数的基础概念。文章阐述了群的基本性质，如封闭性、结合律、幺元和逆元素，并通过旋转矩阵与矩阵乘法、整数与算术加法举例说明。接着，讨论了李群，特别是SLAM中常见的SO(3)和SE(3)，它们分别表示三维空间中的旋转和刚体运动。下一部分将探讨李代数。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

背景：目前开始学习IMU的预积分与Christian Forster 与其组员的论文：IMU Preintegration on Manifold for Efficient Visual-Inertial Maximum-a-Posteriori Estimation。

 

这文章涉及到基础知识李群与李代数，此文章先铺垫一下基础知识，大部分东西都从《视觉SLAM十四讲》搬运过来。

 

１．什么是群

在普通的算术中，常数ａ,b 相乘,相加,相减, 运算结果仍拥有同样属性，即常数。但是有一些群体它们只有一种运算使得结果仍然保有同样属性。例如，旋转矩阵相加的结果不拥有旋转矩阵的属性，即正交性，但旋转矩阵相乘可以得到另一个旋转矩阵。

为了方便，我们把一些群体与一种运算给绑定在一起，并且称之为群。

所以，群＝一个集合＋一个运算。用数学去描述的话，我们可以这样描述：Ｇ = (A, * )G = ( A, * )。当然这里的星号不一定指的是乘号，也可以是任意一种运算。

除此之外，一个群的运算必须满足以下性质：

１．　封闭性：

最低0.47元/天 解锁文章
VINS-Mono 论文解读（IMU预积分残差+Marg边缘化）
try_again_later的博客
07-24 8893
VINS是一个鲁棒的基于紧耦合的滑动窗非线性优化的单目视觉惯性里程计。 VIO引出原因： 1）单纯视觉：缺点: 尺度不确定性、单目纯旋转无法估计、快速运动易丢失、受图像遮挡运动物体干扰。 优点：不产生漂移、直接测量旋转与平移。 2）单纯IMU：缺点：零偏导致漂移、低精度IMU积分位姿发散 优点：...
IMU 预积分原理和推导
2301_76831056的博客
12-02 2308
IMU预积分的详细推导
Vins-Mono 论文 && Coding 一 4(1). imu 预积分
weixin_40072161的博客
01-24 677
六、Class API VINS-Mono/vins_estimator/src/estimator.h VINS-Mono/vins_estimator/src/estimator.cpp 1. 成员变量 2. process IMU data 3. process vision features 4. process relocalization data
VINS_MONO系列：(二)IMU预积分详细推导
weixin_44413400的博客
03-01 788
详细介绍了VINS中的IMU预积分部分，包括IMU残差的推导、具体雅克比的推导以及与传统预积分的区别
IMU学习链接汇总
chengde6896383的专栏
02-21 254
如何理解IMU以及其预积分： https://zhuanlan.zhihu.com/p/38009126 用imu_utils标定IMU，之后用于kalibr中相机和IMU的联合标定：https://blog.csdn.net/fang794735225/article/details/92804030?utm_source=distribute.pc_relevant.none-task ...
VINS-Mono 论文要点总结（一）——IMU预积分
poplar的专栏
01-22 1284
VINS-Mono 论文要点总结 摘要 组成：单目相机+ MEMS-IMU 算法： 基于有界滑动窗口迭代进行估计； 基于滑动窗口里的关键帧维持视觉结构，基于关键帧之间的IMU进行预积分维持惯性测量； 系统在以下方面较为鲁棒：未知状态的初始化、相机和IMU外参数的在线标定、球面不统一重投影误差、回环检测、四自由度位姿图优化(三位置和航向)。 概述 线程1： 前端：对每幅图像均提取、跟踪特征点、...
学习IMU预积分(3)李群与李代数关系
AmbitiousRuralDog的博客
06-27 850
背景：目前开始学习IMU的预积分与Christian Forster 与其组员的论文：IMU Preintegration on Manifold for Efficient Visual-Inertial Maximum-a-Posteriori Estimation。 这文章涉及到基础知识李群与李代数，此文章先铺垫一下基础知识，大部分东西都从《视觉SLAM十四讲》搬运过来。 １．...
邱笑晨博士IMU预积分公式推导文档
07-25
邱笑晨博士IMU预积分公式推导文档包括: 1.李群流形的一些基本概念和性质 2.IMU 器件测量模型( Sensor Model )和运动学模型( Kinetic Model ) 3.IMU 预积分( IMU Preintegration ) 4.预积分测量值及测量噪声 5.bias ...
VINS-Mono IMU 预积分公式及协方差、雅可比矩阵传递推导
weixin_43196818的博客
02-24 3462
参考：崔华坤-《VINS论文推导及代码解析》与 高翔-《视觉SLAM十四讲》 整理了 VINS-Mono 论文中 关于 IMU 预积分公式及协方差、雅可比矩阵传递的推导。
IMU预积分
A_L_A_N
10-31 803
IMU预积分论文地址：On-Manifold Preintegration for Real-Time Visual-Inertial Odometry 论文中的几处错误:   论文中公式推导证明： 泡泡机器人： 邱笑晨：
imu的matlab代码
04-18
imu的matlab代码
IMU Preintegration on Manifold for Ecient.pdf
10-27
imu预积分，Forster, Christian, et al.Supplementary material to: IMU preintegration on manifold for efficient visual-inertial maximum-a-posteriori estimation. Georgia Institute of Technology, 2015.
不积跬步之IMU预积分
敷衍的
05-21 437
IMU预计分论文：On-Manifold Preintegration for Real-Time Visual-Inertial Odometry(http://arxiv.org/abs/1512.02363) IMU初始化论文：Visual-Inertial Monocular SLAM with Map Reuse(https://arxiv.org/abs/1610.05949)
gtsam关于imu预积分实现探究
南柯一梦的博客
04-22 3030
gtsam关于imu预积分实现探究 个人学习记录 资料 gtsam官网关于IMU预积分的资料介绍了gtsam预积分基于以下论文实现 Todd Lupton and Salah Sukkarieh, “Visual-Inertial-Aided Navigation for High-Dynamic Motion in Built Environments Without Initial Conditions”, TRO, 28(1):61-76, 2012. 同时基于流形空间进行了优化，基于以下两篇论文
vio预积分—高翔
weixin_41230454的博客
11-22 3879
Momenta视觉算法研究员，2008年就读清华大学自动化系，2012年免试进入清华大学自动化系攻读博士学位。研究课题为视觉SLAM，兴趣包括计算机视觉与机器学习。曾撰写过与SLAM相关的论文和技术博客。著有《视觉SLAM十四讲 从理论到实践》一书。   分享 本次Paper Reading的主题是VIO领域的一个重要的工作：预积分（Preintegration）   预积分是Chris...
流形上的预积分（上）
陈建驱的博客
11-05 993
论文：IMU Preintegration on Manifold for Effificient Visual-Inertial Maximum-a-Posteriori Estimation引言本文提出了一个使用增量平滑（incremental smoothing）快速计算最大后验估计(MAP)的系统。第一项贡献是发展出了一种新颖的预积分理论。 预积分IMU测量的使用是在[26]中首次提出的，包括将两个关键帧之间的许多惯性测量组合成一个相对运动约束。 本文在此工作的基础上提出了一个预积分理论，该理论恰当
单目/双目与imu的融合（一）
热门推荐
qq_18661939的博客
12-11 3万+
目前单目slam存在初始化的尺度问题和追踪的尺度漂移问题，而双目也存在精度不高和鲁棒性不好的问题。针对这些问题，提出了融合imu的想法。 那么imu的作用是什么呢？ 单目 （1)解决初始化尺度问题 （2)追踪中提供较好的初始位姿。 （3)提供重力方向 （4)提供一个时间误差项以供优化 双目 （1)追踪中提供较好的初始位姿。 （2)提供重力方向 （3)提供一个时间误差项以供优
流形上的预积分（下）
陈建驱的博客
11-05 714
论文：IMU Preintegration on Manifold for Effificient Visual-Inertial Maximum-a-Posteriori Estimation引言接上文…考虑(31)中的预积分测量模型，由于测量噪声为零均值且为一阶高斯(35)，残差 rIij≡[rΔRijT,rΔvijT,rΔpijT]T∈R9\bold{r}_{\mathcal{I}_{ij}} \equiv [ \bold{r}_{\Delta \bold{R}_{ij}}^T , \bold{r}_
LIO SAM中IMU预积分推导
最新发布
01-04
### LIO-SAM 中 IMU 预积分推导过程及原理 #### 1. IMU 测量模型 IMU 提供加速度 \( \mathbf{a}_k \) 和角速度 \( \boldsymbol{\omega}_k \)，这些数据可以用来估算物体的姿态、位置和速度。假设在时间戳 \( t_k \) 处有 IMU 的测量值，则状态向量表示为： \[ \mathbf{x}_{t_k} = [\mathbf{p}_{t_k}, \mathbf{v}_{t_k}, \mathbf{q}_{t_k}] \] 其中： - \( \mathbf{p}_{t_k} \) 是位置， - \( \mathbf{v}_{t_k} \) 是速度， - \( \mathbf{q}_{t_k} \) 是四元数形式的姿态。 #### 2. 连续时间下的动力学方程 连续时间内，姿态、速度和位置的变化由以下微分方程描述[^1]： \[ \dot{\mathbf{q}}(t) = \frac{1}{2}\mathbf{q}(t)\otimes[\boldsymbol{\omega}(t)]_\times, \\ \dot{\mathbf{v}}(t) = \mathbf{R}(\mathbf{q}) (\mathbf{a}(t)-\mathbf{g}), \\ \dot{\mathbf{p}}(t) = \mathbf{v}(t). \] #### 3. 离散化处理 为了便于数值计算，在离散的时间间隔内近似上述微分方程。设从时刻 \( t_j \) 到 \( t_{j+1} \)，则有： \[ \Delta t = t_{j+1}-t_j, \] \[ \mathbf{q}_{j+1} = \mathbf{q}_j \oplus \int^{t_{j+1}}_{t_j} \frac{1}{2}\mathbf{q}(t)\otimes[\boldsymbol{\omega}(t)]_\times dt, \] \[ \mathbf{v}_{j+1} = \mathbf{v}_j + \int^{t_{j+1}}_{t_j} \mathbf{R}(\mathbf{q})(\mathbf{a}(t)-\mathbf{g})dt, \] \[ \mathbf{p}_{j+1} = \mathbf{p}_j + \int^{t_{j+1}}_{t_j} \mathbf{v}(t)dt. \] #### 4. 预积分定义 预积分是指在一个时间段内的累积效应。对于 IMU 来说，就是在这个时间段内所有测量值得累加效果。具体来说，如果已知初始条件 \( \mathbf{x}_0=[\mathbf{p}_0,\mathbf{v}_0,\mathbf{q}_0] \)，那么可以通过下面的方式获得新的状态估计\( \mathbf{x}_n \)[^2]: \[ \delta \mathbf{x}=f(\mathbf{x}_0;\mathcal{M}), \] 这里的 \( f() \) 表示基于 IMU 测量序列 \( \mathcal{M}=\left\{\mathbf{m}_i|i=1,...,N\right\} \) 对应的状态转移函数；而 \( \delta \mathbf{x} \) 就是我们所说的“预积分”。 #### 5. 实现细节 实际应用中会涉及到噪声建模以及如何高效地存储并利用这些预积分数值来减少重复运算等问题。通常采用李群理论简化表达式，并引入零偏项以补偿传感器误差的影响[^3]。 ```cpp // C++ code snippet showing how to integrate IMU measurements using pre-integration theory void Integrate(const Vector3d &acc, const Vector3d &gyr, double delta_t){ // Update orientation quaternion with angular velocity measurement Quaterniond dq = DeltaQ(gyr * delta_t); q_.normalize(); // Compute relative rotation matrix from current attitude estimate Matrix3d R_wb = q_.toRotationMatrix(); // Propagate linear acceleration into velocity change considering gravity compensation v_ += (R_wb * acc - g_) * delta_t; // Accumulate position changes based on updated velocities p_ += v_ * delta_t; } ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值