李群和李代数
- 特殊正交群 S O ( 3 ) \mathrm{SO(3)} SO(3)和特殊欧氏群 S E ( 3 ) \mathrm{SE(3)} SE(3)
- 二者对乘法封闭，对加法不封闭
- 李代数 s o ( 3 ) \mathrm{so(3)} so(3)和 s e ( 3 ) \mathrm{se(3)} se(3)， R = e x p ( ϕ ∧ ) R=exp(\phi^\wedge) R=exp(ϕ∧)， T = e x p ( ξ ∧ ) T=exp(\xi^\wedge) T=exp(ξ∧)
- 李代数求导
相机模型
- 相机内参 K K K
- u = 1 Z K ( R P + t ) u=\frac{1}{Z}K(RP+t) u=Z1K(RP+t)
- 双目相机模型， d e p t h = f ∗ b p a r a l l e x depth=\frac{f*b}{parallex} depth=parallexf∗b
2D-2D对极几何
- x 2 T E x 1 = 0 x_2^TEx_1=0 x2TEx1=0
- E = t ∧ R E=t^\wedge R E=t∧R
- p 1 T F p 2 = 0 p_1^TFp_2=0 p1TFp2=0
- F = K − T E K − 1 F=K^{-T}EK^{-1} F=K−TEK−1
后端
- SLAM模型：运动方程、观测方程
- 估计方式：增量式、全量式
- 最小二乘法的提出：
- 后验正比于先验✖️似然，先验未知，则最大化似然
- 似然概率服从正态分布，均值由观测模型得到，方差为观测噪声
- 写出正态分布的概率密度函数，最大化概率密度等价于最小化重投影误差加权平方和，权为信息矩阵，即协方差的逆
- 二阶梯度与高斯牛顿法，后者： J T J Δ x = − J T f J^TJ\Delta x=-J^Tf JTJΔx=−JTf
- 雅各比矩阵：链式求导法则，残差对相机坐标系下坐标求导✖️相机坐标系下坐标对世界坐标系下坐标求导
- 计算 H = J T J H=J^TJ H=JTJ的逆时利用 H H H的稀疏性，边缘化、舒尔补
- 滑窗、边缘化、信息
1692
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
