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155 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slam14讲之后端优化
入山砍柴郎
04-12 6002
     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) ...
学习SLAM-理解图优化，一步步带你看懂g2o代码.rar
06-06
4. 示例代码分析：通过实际代码展示如何使用g2o解决SLAM问题，例如构建和优化一个简单的位姿图。 5. 应用场景和挑战：讨论g2o在自动驾驶中的具体应用，以及实际使用中可能遇到的问题。 "写个想从事自动驾驶相关工作...
《视觉SLAM十四讲》——后端优化
weixin_45476865的博客
04-26 819
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
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
08-04 814
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】第10-11讲 后端
博客标题不能为空我也没办法
12-15 4093
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 1064
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SLAM入门】7.4.后端优化 --- 基于位姿图和基于因子图
Eric_Sober的博客
09-12 1887
本节介绍了后两个后端优化方法：位姿图和从贝叶斯网络演变而来的因子图对后端优化的做法，浅显易懂的从数学原理上进行了分析，便于读者我和的掌握的笔记，源于视觉SLAM十四讲后端2
视觉SLAM⑨后端Ⅰ(KF、EKF、非线性优化)
qq_41694024的博客
05-24 2768
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
lidarslam_ros2：使用ndtgicp套准和位姿优化的3D激光雷达猛击的ROS2软件包
02-04
lidarslam_ros2 ros2 slam软件包的前端使用OpenMP增强的gicp / ndt扫描匹配，而后端则使用基于图形的slam。 移动机器人映射 绿色：带闭环的路径（大小为10m×10m的25x25网格） 红色和黄色：地图概要lidarslam_ros2是...
3d激光slam地图发布程序，3d地图点云处理，c++程序
最新发布
05-12
在C++中，可以利用PCL（Point Cloud Library）这样的库进行点云处理，而g2o或GTSAM等库则用于图优化。 ROS作为这个系统的基础设施，提供了消息传递、节点管理和参数配置等功能。在这个项目中，"地图发布程序ROS节点...
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。
SLAM即时定位与地图构建 项目笔记
01-17
5. **图优化**：SLAM的后端优化通常采用图优化技术，如G2O（Graph-based SLAM 2.0）或GTSAM（Generalized Trust-Region Sequential Minimal Optimization），通过最小化误差函数来改进估计的轨迹和地图。 6. **循环...
SLAM | 视觉SLAM中的后端：后端优化算法与建图模板
AI算法修炼营的博客
02-26 2897
点击上方“AI算法修炼营”，选择加星标或“置顶”标题以下，全是干货前面的话前面系列一中我们介绍了，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...
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 9895
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
11-25 434
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...
SLAM学习笔记（五）——后端优化（一）
qq_17853613的博客
08-31 1624
SLAM学习笔记（五）——后端优化（一） 先说明一下，书里面第八讲视觉里程计二，我写的文档丢失了，暂时先不去管他了，先继续往后看吧，之前是准备先做一个VO框架的，但是仔细思考了一下，准备先来实现一下这边，然后再去做那个VO框架。 我个人认为这里在我未来的项目中，不会是我做的重点，所以我在这块不做太过详细的学习。 EKF后端 我们知道，实际上，仅有前端的SLAM就可以支持简单的定位、建图的工作了，但是前端的结果往往是粗糙的，后端的存在就是为了继续优化前端的结果。它的本质是一种状态估计问题，主流的后端可以分为以
激光SLAM后端优化总结之图优化
SLAM小学僧
07-21 3222
优化问题，可以用图的方式表示，图的节点是需要优化的变量，边是优化变量之间的约束。节点可以是位姿，也可以是landmark；边可以是位姿之间的关系也可以是观测量；
视觉SALM与激光SLAM的区别
jjjqqq123321的博客
01-09 1688
这里比较一下视觉SLAM和激光SLAM的区别，仅比较其在特征提取和匹配上的一些不同，这里拿视觉SLAM算法：ORB-SLAM系列和激光SLAM算法：LOAM系列对比。
三大后端优化方法(Ceres&G2O&&GTSAM)
lovely_yoshino的博客
08-28 7794
作为一个SLAMer来说，整个SLAM过程可以分为预处理（包含相机、激光的畸变去除，以及IMU的预积分都属于这部分操作），前端优化（这部分主要做的就是帧间匹配【scan-to-scan】，帧与地图匹配【scan-to-submap】，划窗优化，提取关键帧），后端优化（回环检测，后端地图优化）这些步骤。而上面这些我已经讲了很多了，比如划窗优化这块也是给出了对应的代码，我们这里将从ceres，g2o，gtsam这三个层面来分析后端优化的能力。
在激光slam后端优化中滑窗优化和回环检测怎么结合？
09-10
### 回答1： 回环检测可以帮助检测滑窗中的重复部分，从而使优化算法更加高效。此外，滑窗优化可以帮助提高回环检测的准确性，因为它能够提供有效的定位信息。因此，滑窗优化和回环检测可以结合使用，以提高激光slam后端优化的性能。 ### 回答2： 在激光SLAM的后端优化中，滑窗优化和回环检测是两种常用的策略，它们可以结合起来进一步提高SLAM系统的精度和鲁棒性。 首先，滑窗优化是指在SLAM系统的后端优化中，不仅考虑当前帧与其前后几帧之间的约束关系，还考虑到之间的某些帧之间的约束关系。这样可以在保证计算效率的前提下，增加更多的约束来提高SLAM系统的精度。滑窗优化可以通过设置一个窗口大小，并且每次添加新的帧时，滑动窗口并更新优化位姿，以维持窗口内的关键帧数量。这样，在滑窗优化的过程中，不仅考虑了相邻帧之间的约束，还同时考虑了窗口内部的帧之间的约束。 而回环检测则是指在SLAM系统中，通过识别出现在地图中的重复环境特征，将其作为回环来进行检测和处理。回环检测可以通过特征匹配、相似性度量等方法来实现。一旦检测到回环，系统可以通过优化重新估计历史轨迹和地图，并修正之前可能存在的误差。通过回环检测和优化，SLAM系统可以有效地减少误差累积，提高系统的精度和鲁棒性。 将滑窗优化和回环检测结合起来，可以进一步提高激光SLAM后端的优化效果。在滑窗优化的过程中，可以考虑回环之间的约束关系，并在优化过程中相应地更新和调整位姿。另外，回环检测也可以在滑窗优化中发挥作用，检测到回环后进行位姿校正，进一步提升优化效果。 总之，滑窗优化和回环检测在激光SLAM后端优化中可以相互结合，通过增加更多约束和修正误差来提高系统的精度和鲁棒性。 ### 回答3： 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的情况。回环检测技术可以通过对激光扫描数据、视觉信息或其他传感器数据进行匹配，从而确定机器人当前所处的位置。回环检测的结果可以用来校正之前路径的误差，并更新地图的拓扑结构和机器人位姿。 滑窗优化是一种常用的参数优化方法，它通过维护一个滑动窗口，选择其中的一些关键帧进行优化，得到更准确的位姿估计和地图重建结果。滑窗优化技术中，通常会通过图优化（Graph Optimization）方法，以最小化误差函数为目标，对关键帧之间的约束进行求解，从而得到更精确的轨迹和地图。 将滑窗优化和回环检测结合可以提高SLAM系统的地图构建和路径估计的准确性和鲁棒性。具体步骤如下： 1. 首先，通过激光扫描数据或其他传感器数据进行实时建图，并随机选取一些关键帧作为滑窗的初始状态。 2. 在滑窗的窗口滑动过程中，当检测到回环时，通过回环检测算法寻找回环帧，并进行回环边的添加。 3. 在回环边添加后，通过图优化方法对滑窗内的关键帧和回环边进行优化，以最小化误差。 4. 优化后的结果可以用来更新机器人的位姿估计和地图重建。 通过滑窗优化和回环检测的结合，可以实现对系统的闭环误差的消除和路径的校正，从而提高SLAM系统的性能和精度。同时，这种方法也可以减少计算量，提高系统的实时性能。但值得注意的是，滑窗优化和回环检测都有相应的参数和阈值需要调整和设置，才能取得好的优化效果。
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