![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
----------VIO原理系列
changshen_xu
此人写了一句话介绍自己说积跬步至千里贵在坚持!
展开
-
IMU残差函数及雅可比公式推导(一)
第一部分:残差函数约定符号:IMU的真实值:ωb,ab\omega^b,a^bωb,abIMU的测量值:ω~b,a~b\tilde{\omega}^b,\tilde{a}^bω~b,a~b某个时刻ttt,二者的关系:ω~tbt=ωtbt+btg+ntga~tbt=atbt+bta+nta=qbtw(atw+gw)+bta+nta\begin{aligned}\tilde{\omega}...原创 2019-07-18 09:39:10 · 2310 阅读 · 1 评论 -
VINS后端优化损失函数
状态向量VINS后端优化的状态向量X=[x0,x1,⋯ ,xn,xcb,λ0,λ1,⋯ ,λm]\Chi = \begin{bmatrix}x_0, x_1,\cdots,x_n,x^b_c,\lambda_0,\lambda_1,\cdots,\lambda_m\end{bmatrix} X=[x0,x1,⋯,xn,xcb,λ...原创 2019-07-25 17:39:16 · 530 阅读 · 0 评论 -
BA问题理论及仿真验证
BA问题:已知n个相机位姿(估计值),m个特征点世界坐标系坐标(估计值)和第j个特征点在第i个相机中像的像素坐标(观测值);目标是求解使重投影误差最小化的相机位姿和特征点坐标。【符号约定】待估计状态:X=[ξ1,ξ2,⋯ ,ξn,P1w,P2w,⋯ ,Pmw]\Chi=[\xi_1,\xi_2,\cdots,\xi_n,P^w_1,P...原创 2019-07-31 23:44:01 · 591 阅读 · 1 评论 -
贝叶斯公式与最小二乘
【定义】随机变量:X,r\Chi,rX,r(均为矢量)概率密度函数:p(X)p(\Chi)p(X)表示随机变量X\ChiX的PDF,它表征了X\ChiX在所有状态上的可能性(likelihood);条件概率密度函数:p(r∣X)p(r|\Chi)p(r∣X)表示给定X\ChiX下随机变量rrr的PDF。【实例化】随机变量X\ChiX表示系统的状态(含系统噪声),随机变量rrr表示量测(...原创 2019-07-27 20:02:39 · 900 阅读 · 0 评论 -
前端:新路标点的三角化
每个矩阵AAA都可以表示为一系列秩为1的“小”矩阵的和,而奇异值则是“小”矩阵前的权重,衡量了某个“小”矩阵对于AAA的权重。特征值分解和奇异值分解的区别所有的矩阵都可以进行奇异值分解,而只有方阵才可以进行特征值分解。当所给的矩阵是对称的方阵,A(T)=A,二者的结果是相同的。也就是说对称矩阵的特征值分解是所有奇异值分解的一个特例。但是二者还是存在一些小的差异,奇异值分解需要对奇异值从大到小的...原创 2019-08-13 15:47:34 · 335 阅读 · 0 评论 -
舒尔补加速方程求解
(1)[HppHplHlpHll][ΔXpΔXl]=[bpbl][I−HplHll−10I][HppHplHlpHll][ΔXpΔXl]=[I−HplHll−10I][bpbl][Hpp−HplHll−1Hlp0HlpHll][ΔXpΔXl]=[bp−HplHll−1blbl]\begin{aligned} \begin{bmatrix} H_{pp} & H_{pl} \\ H_...原创 2019-08-08 20:08:08 · 690 阅读 · 0 评论 -
边际概率的信息矩阵(二)
【符号约定】随机变量X=[XmT,XrT]T\Chi=[\Chi^T_m,\Chi^T_r]^TX=[XmT,XrT]T;下标m,rm,rm,r:分别表示margin, reserve;Σ,Λ\Sigma,\LambdaΣ,Λ:分别表示协方差矩阵、信息矩阵;p(X)=p(Xm,Xr)p(\Chi)=p(\Chi_m,\Chi_r)p(X)=p(Xm,Xr),表示联合概率;p(Xr...原创 2019-08-08 20:40:23 · 420 阅读 · 0 评论 -
VINS的初始化
首先,明确在系统初始化阶段可以利用的已知量,以及待求解的未知量。已知:1.各帧相对于第0帧的位姿Rc0ci,tc0ciR_{c_0c_i},t_{c_0c_i}Rc0ci,tc0ci;(根据SfM求得)2.各相邻帧之间的位姿变化Rbkbk+1,tbkbk+1R_{b_kb_{k+1}},t_{b_kb_{k+1}}Rbkbk+1,tbkbk+1;(根据IMU的预积分求...原创 2019-08-18 16:28:58 · 733 阅读 · 1 评论 -
视觉残差函数及雅可比公式推导
约定:特征点在相机坐标系下的坐标为[x,y,z]T[x,y,z]^T[x,y,z]T;特征点在归一化相机坐标系下的坐标为[μ,ν,1]T[\mu,\nu,1]^T[μ,ν,1]T或[μ,ν]T[\mu,\nu]^T[μ,ν]T特征点的这两种坐标之间的关系:[xyz]=1λ[μν1]\begin{bmatrix} x\\ y\\ z \end{bmatrix}=\frac{1}{\lamb...原创 2019-07-17 11:39:51 · 2555 阅读 · 1 评论 -
边际概率的信息矩阵
【符号约定】随机变量X=[XmT,XrT]T\Chi=[\Chi^T_m,\Chi^T_r]^TX=[XmT,XrT]T;下标m,rm,rm,r:分别表示margin, reserve;Σ,Λ\Sigma,\LambdaΣ,Λ:分别表示协方差矩阵、信息矩阵;p(X)=p(Xm,Xr)p(\Chi)=p(\Chi_m,\Chi_r)p(X)=p(Xm,Xr),表示联合概率;p(Xr...原创 2019-07-28 23:01:46 · 539 阅读 · 0 评论 -
LM算法参数优化实例——残差函数、雅可比矩阵
【目标】:使用LM算法估计y=exp(at2+bt+c)y=exp(at^2+bt+c)y=exp(at2+bt+c)参数a, b, c。已知量:ttt及与之对应的含有噪声的量测值y^\hat{y}y^;同时,模型已知(仅未知参数)。仿真数据生成取参数为a=1.0, b=2.0, c=1.0 double a=1.0, b=2.0, c=1.0; // 真实参数值 ...原创 2019-07-26 20:18:54 · 6283 阅读 · 2 评论 -
VIO理论——李代数求导中最核心的两个公式!
约定:李代数ϕ\phiϕ的指数映射:exp(ϕ∧)exp(\phi^\wedge)exp(ϕ∧)旋转矩阵RRR的对数映射:ln(R)∨ln(R)^\veeln(R)∨原创 2019-07-06 17:09:45 · 1715 阅读 · 5 评论 -
IMU残差函数及雅可比公式推导(二)
IMU残差函数及雅可比公式推导(一)原创 2019-07-18 16:58:30 · 797 阅读 · 0 评论 -
小题目
1.已知两个相机视角V1,V2V_1,V_2V1,V2,其内外参数分别为[K1,R1,T1][K_1,R_1,T_1][K1,R1,T1],[K2,R2,T2][K_2,R_2,T_2][K2,R2,T2]。又已知P1=R1P+T1P_1=R_1P+T_1P1=R1P+T1为 世界坐标系下某三维点的坐标PPP投影到相机视角V1V_1V1下的结果(相机坐标系坐标)。问在V...原创 2019-08-15 09:33:09 · 492 阅读 · 0 评论