点击上方“3D视觉工坊”,选择“星标”
干货第一时间送达
DSO(Direct Sparse Odometry)是一种视觉里程计方法。在SLAM领域,DSO属于稀疏直接法,速度和精度超过了当时传统的特征点法。本文整理了网上一些关于DSO的资料,配合相关论文,可以对DSO做由浅入深地学习。
1. 整体介绍
(高翔)DSO详解:https://zhuanlan.zhihu.com/p/29177540
DSO整体上有个大概的了解,比较全面,且没有过多深入细节。
(贺一家)DSO初探:https://blog.csdn.net/heyijia0327/article/details/53173146
主要从DSO代码的运行上进行了相关的介绍
2. 零空间与尺度漂移
(古路)SLAM中的零空间问题:https://blog.csdn.net/fb_941219/article/details/100279527简单介绍了客观性与零空间
(林突破)零空间与尺度漂移:https://blog.csdn.net/xxxlinttp/article/details/100080080
直观上解释了为什么会漂移,以及解决办法
(无人的回忆)DSO零空间的计算与推导https://blog.csdn.net/wubaobao1993/article/details/105106301/
对上面一些博客的一个整理,内容比较丰富。虽然有些数学部分不是很严格,但第一次看到尝试从数学角度去解释这个问题,很棒。
3. 滑窗优化,边缘化与FEJ
(无人的回忆)DSO窗口优化:https://blog.csdn.net/wubaobao1993/article/details/104343866
从代码流程上串了一下窗口优化的过程,可以认真读一读
jinge TU:windowed optimization代码(1):https://www.cnblogs.com/JingeTU/p/8395046.html
jinge TU:windowed optimization代码(2):https://www.cnblogs.com/JingeTU/p/8586163.html
jinge TU:windowed optimization代码(3):https://www.cnblogs.com/JingeTU/p/8586172.html
jinge TU:windowed optimization代码(4):https://www.cnblogs.com/JingeTU/p/9157620.html
金戈大佬做的滑窗优化部分详细的代码,有数学有代码,非常细致,深入研究时参考。
(贺一家)DSO中的Windowed optimization:https://blog.csdn.net/heyijia0327/article/details/53707261
详细介绍滑窗优化相关技术
(贺一家)SLAM中的marginalization 和 Schur complement:https://blog.csdn.net/heyijia0327/article/details/52822104
介绍了滑窗中边缘化和FEJ相关问题,内容非常全,想深入研究可以参考最后列举的参考文献
知乎关于FEJ的讨论:https://www.zhihu.com/question/52869487/answer/132517493
4. 光度误差求导
光度误差推导的文章有很多,这两篇推导大同小异,参考一篇即可。
(jinge TU)直接法光度误差倒数推导:https://www.cnblogs.com/JingeTU/p/8203606.html
(林突破)DSO初始化:https://blog.csdn.net/xxxlinttp/article/details/89379785
5. 其他
(jinge TU)代码框架https://www.cnblogs.com/JingeTU/p/8329780.html
DSO代码简单的流程,说的很清楚了。
DSO代码阅读:https://x007dwd.github.io/2017/02/28/dso-slam/
上面有些链接附带了部分的代码,这个较为综合
DSO之光度标定:https://www.cnblogs.com/luyb/p/6077478.html
光度标定的基本内容,个人感觉直接去看文献也比较直观好理解
参考文献
1. DSO论文:Direct Sparse Odometry
2. 光度标定论文:Online Photometric Calibration of Auto Exposure Video for RealtimeVisual Odometry and SLAM
3. 关键帧优化:Keyframe-Based Visual-Inertial SLAM Using Nonlinear Optimization
4. FEJ一致性,推荐一读:A First-Estimates Jacobian EKF for Improving SLAM Consistency
5. 关键帧与地图点边缘化:Decoupled, Consistent Node Removal and Edge Sparsification forGraph-based SLAM
6. 介绍了边缘化中先验信息转移,推荐一读:Sliding window filter with application to planetary landing
后台回复关键字:DSO,即可获得打包好的DSO学习资料。
上述内容,如有侵犯版权,请联系作者,会自行删文。
推荐阅读:
那些精贵的3D视觉系统学习资源总结(附书籍、网址与视频教程)
机器人抓取汇总|涉及目标检测、分割、姿态识别、抓取点检测、路径规划
重磅!3DCVer-知识星球和学术交流群已成立
3D视觉从入门到精通知识星球:针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕,更有各类大厂的算法工程人员进行技术指导,800+的星球成员为创造更好的AI世界共同进步,知识星球入口:
学习3D视觉核心技术,扫描查看介绍,3天内无条件退款
圈里有高质量教程资料、可答疑解惑、助你高效解决问题
欢迎加入我们公众号读者群一起和同行交流,目前有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流等微信群,请扫描下面微信号加群,备注:”研究方向+学校/公司+昵称“,例如:”3D视觉 + 上海交大 + 静静“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。原创投稿也请联系。
▲长按加群或投稿