VINS-Fusion代码阅读（四）

最新推荐文章于 2024-07-22 16:48:23 发布

changshen_xu

最新推荐文章于 2024-07-22 16:48:23 发布

阅读量944

点赞数

分类专栏： ▶ ROS 文章标签： VINS-Fusion

本文链接：https://blog.csdn.net/CSDN_XCS/article/details/90320733

版权

▶ ROS 专栏收录该内容

19 篇文章 6 订阅

订阅专栏

视觉约束部分
和前面的IMUFactor类似，ProjectionFactor也是一个继承自ceres::SizedCostFunction<2, 7, 7, 7, 1>的类，同样，类的框架比较简单，重点仍然放在将基类中对应虚函数覆盖了的Evaluate。
（注：factor有因子的含义）
稍微提及一下类中的数据成员：
pts_i和pts_j：具体指什么含义？（分别为第l个路标点在第i, j个相机归一化相机坐标系中的观察到的坐标， $\bar{P}^{c_i}_l$ 和 $\bar{P}^{c_j}_l$ ）；
tangent_base：正切平面上的任意两个正交基（在构造函数中通过计算？被赋值）；
静态数据成员sqrt_info和sum_t：在何时被赋值的呢？

class ProjectionFactor : public ceres::SizedCostFunction<2, 7, 7, 7, 1>
{
  public:
    ProjectionFactor(const Eigen::Vector3d &_pts_i, const Eigen::Vector3d &_pts_j);
    virtual bool Evaluate(double const *const *parameters, double *residuals, double **jacobians) const;
    void check(double **parameters);

    Eigen::Vector3d pts_i, pts_j;
    Eigen::Matrix<double, 2, 3> tangent_base;
    static Eigen::Matrix2d sqrt_info;
    static double sum_t;
};

步入正题，ProjectionFactor类中的Evaluate成员函数：
优化变量： $[p^w_{b_i}, q^w_{b_i}], [p^w_{b_j}, q^w_{b_j}], [p^b_c, q^b_c], \lambda_l$
分别对应：[Pi, Qi], [Pj, Qj], [tic, qic], inv_dep_i
（此处的 $\lambda$ 表示什么含义？逆深度inv_dep_i）（ $w, b$ 代表的坐标系具体指什么？）

解析中（27）式：
$P^{c_j}_l=R^c_b\{R^{b_j}_w[R^w_{b_i}(R^b_c\frac{1}{\lambda_l}\bar{P}^{c_i}_l+p^b_c)+p^w_{b_i}-p^w_{b_j}]-p^b_c\}$
$\frac{1}{\lambda_l}\bar{P}^{c_i}_l$ ==>Eigen::Vector3d pts_camera_i = pts_i / inv_dep_i;
（因此，pts_i表示 $\bar{P}^{c_i}_l$ ，为第l个路标点在第i个相机归一化相机坐标系中的观察到的坐标）；
$(R^b_c*+p^b_c)$ ==>Eigen::Vector3d pts_imu_i = qic * pts_camera_i + tic;
（此处可以看出来，imu与 $b$ 系是一个系？）
$R^w_{b_i}*+p^w_{b_i}$ ==>Eigen::Vector3d pts_w = Qi * pts_imu_i + Pi;
$R^{b_j}_w(*-p^w_{b_j})$ ==>Eigen::Vector3d pts_imu_j = Qj.inverse() * (pts_w - Pj);
$R^c_b(*-p^b_c)$ ==>Eigen::Vector3d pts_camera_j = qic.inverse() * (pts_imu_j - tic);
因此，pts_camera_j表示 $P^{c_j}_l$ ，是由 $\bar{P}^{c_i}_l$ 计算得来的。

解析中（25）式：
$r_c(\hat{z}^{c_j}_l,X)=\begin{bmatrix}\vec{b_1}\\ \vec{b_2} \end{bmatrix}(\frac{P^{c_j}_l}{||P^{c_j}_l||}-\bar{P}^{c_j}_l)$
residual = tangent_base * (pts_camera_j.normalized() - pts_j.normalized());
residual = sqrt_info * residual;

最后，计算Jacobian，解析中（28）式：
注：此处解析上有一些矩阵维数上的错误，应该为 $3\times *$ ，而非 $2\times *$ 。
以其中一个为例，分析公式与代码对应关系：
$J[0]^{2\times 7}=[\frac{\partial r_c}{\partial p^w_{b_i}}, \frac{\partial r_c}{\partial q^w_{b_i}}]$
代码中首先定义了一个jaco_i为 $3\times 6$ ，然后用一个reduce $2\times 3$ 去乘，得到的 $2\times 6$ 的结果作为 $J [0]$ 的左边6列，最后一列为0；具体如下：
Eigen::Matrix<double, 3, 6> jaco_i;
$R^c_bR^{b_j}_w$
jaco_i.leftCols<3>() = ric.transpose() * Rj.transpose();
$-R^c_bR^{b_j}_wR^w_{b_i}(R^b_c\frac{1}{\lambda_l}\bar{P}^{c_i}_l+p^b_c)$
jaco_i.rightCols<3>() = ric.transpose() * Rj.transpose() * Ri * -Utility::skewSymmetric(pts_imu_i);

Eigen::Matrix<double, 2, 3> reduce(2, 3);
reduce = tangent_base * norm_jaco;此处norm_jaco表达什么含义？对应公式？
reduce = sqrt_info * reduce;

Eigen::Map的用法？
Eigen::Map<Eigen::Matrix<double, 2, 7, Eigen::RowMajor>> jacobian_pose_i(jacobians[0]);
jacobian_pose_i.leftCols<6>() = reduce * jaco_i;
jacobian_pose_i.rightCols<1>().setZero();

$J[1]^{2\times 7}$ 、 $J[2]^{2\times 7}$ 和 $J[3]^{2\times 1}$ 的计算类似。

至此，视觉约束暂时告一段落。


bool ProjectionFactor::Evaluate(double const *const *parameters, double *residuals, double **jacobians) const
{
    TicToc tic_toc;
    Eigen::Vector3d Pi(parameters[0][0], parameters[0][1], parameters[0][2]);
    Eigen::Quaterniond Qi(parameters[0][6], parameters[0][3], parameters[0][4], parameters[0][5]);

    Eigen::Vector3d Pj(parameters[1][0], parameters[1][1], parameters[1][2]);
    Eigen::Quaterniond Qj(parameters[1][6], parameters[1][3], parameters[1][4], parameters[1][5]);

    Eigen::Vector3d tic(parameters[2][0], parameters[2][1], parameters[2][2]);
    Eigen::Quaterniond qic(parameters[2][6], parameters[2][3], parameters[2][4], parameters[2][5]);

    double inv_dep_i = parameters[3][0];

    Eigen::Vector3d pts_camera_i = pts_i / inv_dep_i;
    Eigen::Vector3d pts_imu_i = qic * pts_camera_i + tic;
    Eigen::Vector3d pts_w = Qi * pts_imu_i + Pi;
    Eigen::Vector3d pts_imu_j = Qj.inverse() * (pts_w - Pj);
    Eigen::Vector3d pts_camera_j = qic.inverse() * (pts_imu_j - tic);
    Eigen::Map<Eigen::Vector2d> residual(residuals);

#ifdef UNIT_SPHERE_ERROR 
    residual =  tangent_base * (pts_camera_j.normalized() - pts_j.normalized());
#else
    double dep_j = pts_camera_j.z();
    residual = (pts_camera_j / dep_j).head<2>() - pts_j.head<2>();
#endif

    residual = sqrt_info * residual;

    if (jacobians)
    {
        Eigen::Matrix3d Ri = Qi.toRotationMatrix();
        Eigen::Matrix3d Rj = Qj.toRotationMatrix();
        Eigen::Matrix3d ric = qic.toRotationMatrix();
        Eigen::Matrix<double, 2, 3> reduce(2, 3);
#ifdef UNIT_SPHERE_ERROR
        double norm = pts_camera_j.norm();
        Eigen::Matrix3d norm_jaco;
        double x1, x2, x3;
        x1 = pts_camera_j(0);
        x2 = pts_camera_j(1);
        x3 = pts_camera_j(2);
        norm_jaco << 1.0 / norm - x1 * x1 / pow(norm, 3), - x1 * x2 / pow(norm, 3),            - x1 * x3 / pow(norm, 3),
                     - x1 * x2 / pow(norm, 3),            1.0 / norm - x2 * x2 / pow(norm, 3), - x2 * x3 / pow(norm, 3),
                     - x1 * x3 / pow(norm, 3),            - x2 * x3 / pow(norm, 3),            1.0 / norm - x3 * x3 / pow(norm, 3);
        reduce = tangent_base * norm_jaco;
#else
        reduce << 1. / dep_j, 0, -pts_camera_j(0) / (dep_j * dep_j),
            0, 1. / dep_j, -pts_camera_j(1) / (dep_j * dep_j);
#endif
        reduce = sqrt_info * reduce;

        if (jacobians[0])
        {
            Eigen::Map<Eigen::Matrix<double, 2, 7, Eigen::RowMajor>> jacobian_pose_i(jacobians[0]);

            Eigen::Matrix<double, 3, 6> jaco_i;
            jaco_i.leftCols<3>() = ric.transpose() * Rj.transpose();
            jaco_i.rightCols<3>() = ric.transpose() * Rj.transpose() * Ri * -Utility::skewSymmetric(pts_imu_i);

            jacobian_pose_i.leftCols<6>() = reduce * jaco_i;
            jacobian_pose_i.rightCols<1>().setZero();
        }

        if (jacobians[1])
        {
            Eigen::Map<Eigen::Matrix<double, 2, 7, Eigen::RowMajor>> jacobian_pose_j(jacobians[1]);

            Eigen::Matrix<double, 3, 6> jaco_j;
            jaco_j.leftCols<3>() = ric.transpose() * -Rj.transpose();
            jaco_j.rightCols<3>() = ric.transpose() * Utility::skewSymmetric(pts_imu_j);

            jacobian_pose_j.leftCols<6>() = reduce * jaco_j;
            jacobian_pose_j.rightCols<1>().setZero();
        }
        if (jacobians[2])
        {
            Eigen::Map<Eigen::Matrix<double, 2, 7, Eigen::RowMajor>> jacobian_ex_pose(jacobians[2]);
            Eigen::Matrix<double, 3, 6> jaco_ex;
            jaco_ex.leftCols<3>() = ric.transpose() * (Rj.transpose() * Ri - Eigen::Matrix3d::Identity());
            Eigen::Matrix3d tmp_r = ric.transpose() * Rj.transpose() * Ri * ric;
            jaco_ex.rightCols<3>() = -tmp_r * Utility::skewSymmetric(pts_camera_i) + Utility::skewSymmetric(tmp_r * pts_camera_i) +
                                     Utility::skewSymmetric(ric.transpose() * (Rj.transpose() * (Ri * tic + Pi - Pj) - tic));
            jacobian_ex_pose.leftCols<6>() = reduce * jaco_ex;
            jacobian_ex_pose.rightCols<1>().setZero();
        }
        if (jacobians[3])
        {
            Eigen::Map<Eigen::Vector2d> jacobian_feature(jacobians[3]);
#if 1
            jacobian_feature = reduce * ric.transpose() * Rj.transpose() * Ri * ric * pts_i * -1.0 / (inv_dep_i * inv_dep_i);
#else
            jacobian_feature = reduce * ric.transpose() * Rj.transpose() * Ri * ric * pts_i;
#endif
        }
    }
    sum_t += tic_toc.toc();

    return true;
}