关于使用g2o对激光slam后端优化记录

已于 2024-04-14 09:07:36 修改
阅读量122 收藏
点赞数 2
文章标签： 算法 g2o 激光slam
于 2024-04-14 09:06:48 首次发布
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/Nico_jion/article/details/137734987
版权

g2o定义：
vertex：关键帧位姿
edge：二元边，误差表示为，两个关键帧的位姿下的关键点对距离

后端优化效果有限

反思：
BA是位姿节点+观测节点+观测误差组成的
位姿图是位姿节点+位姿节点间误差
因子图是位姿节点+因子

虽然激光雷达精度高，但仍存在误差，更何况存在运动畸变，所以以位姿图的形式进行优化BA，效果当然不会好

Nico_J ??
关注
  • 2
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
视觉SLAM-g2o简介及使用方法
03-03
g2o是视觉SLAM中常用的图优化库，该文档主要介绍其使用方法和细节。
多机器人SLAM后端优化算法综述.pdf
08-14
#资源达人分享计划#
激光SLAM后端优化方法
12-22
一种非常经典的SLAM后端优化方法，相比其他方法，该方法适合新手熟悉后端算法的流程。
g2opy:SLAM图优化框架g2o的Python绑定
04-29
g2opy 这是图形优化C ++框架的python绑定。 g2o是用于优化基于图的非线性误差函数的开源C ++框架。 g2o被设计为易于扩展到各种问题，通常可以在几行代码中指定一个新问题。 当前的实现为SLAM和BA的多个变体提供了解决方案。 机器人技术和计算机视觉中的许多问题都涉及到最小化可以表示为图形的非线性误差函数。 典型实例是同时定位和映射（SLAM）或捆绑包调整（BA）。 这些问题的总体目标是找到能最大程度解释受高斯噪声影响的一组测量值的参数或状态变量的配置。 g2o是用于解决此类非线性最小二乘问题的开源C ++框架。 g2o被设计为易于扩展到各种问题，通常可以在几行代码中指定一个新问题。 当前的实现为SLAM和BA的多个变体提供了解决方案。 当前，该项目不支持用python编写用户定义的类型，但是预定义的类型足以实现最常见的算法，例如2d或3d场景中的PnP，ICP，捆绑
基于图优化的SLAM后端优化算法研究
01-12
针对移动机器人的同时定位与地图构建（Simultaneous Localization and Mapping，SLAM）问题，传统后端优化算法比较依赖于前端传感器构造位姿图，而且对于假阳性环形闭合约束鲁棒性较低。基于此，提出了一种鲁棒后端优化算法。利用因子图建立SLAM的优化模型，在使用新的鲁棒代价函数基础上引入先验约束用于确认启用或关闭前端传递的环形闭合约束，从而使得后端拓扑图能够摒弃前端传递的假阳性环形闭合约束并朝向真实地图收敛，再利用L-M（Levenberg-Marquardt）算法进行优化使其收敛到真实地图。仿真结果表明，SLAM后端优化算法缩小了前端数据和后端优化之间的差距，满足移动机器人精确定位与建图的需求。
SLAM项目：从0开始，C++实现SLAM的后端优化，并在gazebo中可视化结果
weixin_43890835的博客
08-04 712
这篇文章通过C++来为我们前面实现的SLAM增加一个后端，让前端的位姿在这里得到优化，从而建立出更准确的地图。
《视觉SLAM十四讲》——后端优化
weixin_45476865的博客
04-26 763
1 BA与图优化 1.1 投影模型 世界坐标——》相机坐标 相机坐标——》归一化坐标 归一化坐标去畸变 根据内参模型计算像素坐标 1.2 代价函数 相机外参（R,t）和路标点位置p是待估参数，像素坐标z=（u,v）是观测量。。 根据路标点位置和相机外参可以计算得到预测的像素坐标z^ 计算残差e=z-z^ 进行非线性优化 代价函数 1.3 BA求解 非线性优化过程：从某个初值开始，不断寻找下降方向，来找到目标函数的最优解，目标函数如下： 式中F表示目标函数对相机姿态的偏导数，E表示目标函数对路标点位
【视觉SLAM十四讲】第10-11讲 后端
博客标题不能为空我也没办法
12-15 4053
第10-11讲 后端
(3分钟了解)SLAM后端优化的四大金刚！g2o ceres gtsam SE-Sync
努力coding
01-07 1016
总结：这篇博客中了解了SE-Sync的后端优化库，并且对后端优化的框架又有了一个新的认识和总结。就是说对偶问题的解是原问题的下确界，然后这两之间的差值被称为对偶间隙，并且当对偶间隙为0的时候，对偶问题的最优解即是原问题的最优解。添加图片注释，不超过 140 字（可选）添加图片注释，不超过 140 字（可选）添加图片注释，不超过 140 字（可选）添加图片注释，不超过 140 字（可选）添加图片注释，不超过 140 字（可选）添加图片注释，不超过 140 字（可选）添加图片注释，不超过 140 字（可选）
视觉SLAM⑨后端Ⅰ(KF、EKF、非线性优化)
qq_41694024的博客
05-24 2640
1.理解后端的概念 2.理解以EKF为代表的滤波器后端的工作原理 3.理解非线性优化的后端，明白稀疏性是如何利用的
从零开始搭二维激光SLAM --- 基于gtsam的后端优化的代码实现
李想的博客
11-22 3652
上一篇文章我们分析了如何使用ceres进行位姿图的优化. 1 gtsam简介 2 基于gtsam的后端优化的代码讲解 3 运行 3.1 依赖 这篇文章的代码是需要依赖 4.0.2 版本的gtsam库, 如果没装gtsam的需要先安装一下. 我将gtsam库的安装包放在了 工程Creating-2D-laser-slam-from-scratch/TrirdParty文件加内, 可以直接解压安装. 安装的方法可以看一下 install_dependence.sh 脚本中的安装指令, 也可以直接执行这个脚本进行
图优化和g2o
陈建驱的博客
02-21 1061
个人博客：http://www.chenjianqu.com/ 原文链接：http://www.chenjianqu.com/show-97.html 我看到高博的好多例子都用到g2o，因此我找了一些博客来学习g2o和图优化的基本知识，这篇博客就是一个简单的总结。 图优化 SLAM的核心是根据已有的观测数据，计算机器人的运动轨迹和地图。假设在时刻 k，机器人在位置 xk...
从零开始搭二维激光SLAM --- 基于g2o的后端优化的代码实现
李想的博客
11-15 3055
https://mp.weixin.qq.com/s?__biz=MzIxOTczOTM4NA==&mid=2247486858&idx=1&sn=ce458d5eb6b1ad11b065d71899e31a04&chksm=97d7e81da0a0610b1e3e12415b6de1501329920c3074ab5b48e759edbb33d264a73f1a9f9faf&scene=21#wechat_redirect
SLAM后端
格物致知
01-27 4083
1. VSLAM 模块划分与模块功能 VSLAM 是利用多视图几何理论，根据相机拍摄的图像信息对相机进行定位并同时构建周围环境地图。按照相机的分类，有单目、双目、 RGBD、鱼眼、全景等。同时，VSLAM 主要包括视觉里程计（visual odometry， VO）、后端优化、回环检测、建图。 VSLAM 主要包括视觉里程计（visual odometry， VO）、后端优化、回环检测、建图。 其中 VO 研究图像帧间变换关系完成实时的位姿跟踪， 对输入的图像进行处理，计算姿态变化， 得到相机间的运动关系
SLAM图优化g2o
吴建明wujianming_110117
04-29 750
SLAM图优化g2o 图优化g2o框架 图优化的英文是 graph optimization 或者 graph-based optimization， “图”其实是数据结构中的graph。凸优化的英文是 convex optimization，这里的“凸”其实是凸函数的意思，所以单从英文就能区分开。 图优化有什么优势？ SLAM的后端一般分为两种处理方法，一种是以扩展卡尔曼滤波（EKF）为代表的滤波方法，一种是以图优化为代表的非线性优化方法。SLAM研究的主流热点几乎都是基于图优化。 滤波方法尤其是EKF方
视觉slam14讲之后端优化
入山砍柴郎
04-12 5993
     前端视觉里程计能给出一个短时间内的轨迹和地图，但不可避免的误差累积，这个地图在长时间内是不准确的。要想构建一个尺度，规模更大的优化问题，以考虑长时间内的最优轨迹和地图，这时后端优化就出现了。 1.滤波器模型      a. 马尔可夫性，当前状态只和上一个时刻有关。 P(Xk| Xk-1,X0, U1:k,Z1:k-1) ...
SLAM后端--滤波方法和非线性优化方法
追求卓越583的博客
07-30 9750
SLAM的后端一般分为两种处理方法，一种是以扩展卡尔曼滤波（EKF）为代表的滤波方法，一种是以图优化为代表的非线性优化方法。不过，目前SLAM研究的主流热点几乎都是基于图优化的。 滤波方法的优缺点： 优点：在当时计算资源受限、待估计量比较简单的情况下，EKF为代表的滤波方法比较有效，经常用在激光SLAM中。 缺点：它的一个大缺点就是存储量和状态量是平方增长关系，因为存储的是协方差矩阵，因此不...
视觉SLAM十四讲学习笔记——第十讲 后端优化（2）
weixin_61294345的博客
11-25 424
上文提到考虑全局的后端优化计算量非常大，因此在计算增量方程时，借助H矩阵的稀疏性加速运算。但是随着时间的推移，累积的相机位姿和路标数量还是会导致计算量过大，以上一节的示例代码数据为例：16张图像，共提取到22106个特征点，这些特征点共出现了83718次。对于一个20Hz更新速度，上述的数据量甚至还不到1s的内容，因此在求解大规模定位建图问题时，一定要控制BA的规模。这里主要有两种解决思路： （1）滑动窗口法：固定优化N个关键帧，这N个关键帧同时观测到了M个路标点，因此可以建立一个规模适中...
在激光slam后端优化中滑窗优化和回环检测怎么结合？
最新发布
09-10
在激光SLAM后端优化中，滑窗优化和回环检测是两种常用的技术方法，它们可以结合使用来提升SLAM系统的优化效果。 首先，回环检测是指通过对机器人在地图中经过的轨迹进行分析，寻找是否存在已经探索过的区域重新进入...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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