浙江大学第二届“SLAM技术及应用”暑期学校与研讨会课后习题_基于图优化的方法对视觉slam问题进行求解,对重投影误差进行最小化,现已知相机的位-CSDN博客

本文链接：https://blog.csdn.net/fb_941219/article/details/97628064

浙江大学第二届“SLAM技术及应用”暑期学校与研讨会课后习题

0.引言

如有侵权留言告知，立即删除。有些还是有深度，不明白，容易混淆。

1.题集1

1.现有两个相机视⻆ $V_1, V_2 ,$ 其内外参数分别为 $K_1, R_1, T_1] , [K_2, R_2, T_2] ,$ 其中 $R_1 P+ T_1$ 代表将世界坐标系下的三维点 $P$ 投影到相机视⻆ $V_1$ 下。假设 $P_1$ 是 $V_1$ 坐标系下的一个三维点,那么它在 $V_ 2$ 视⻆下所对应的图像⻬次坐标可表示为 ( )

$K_{2}\left(R_{1} R_{2}^{T}\left(P_{1}-T_{2}\right)+T_{1}\right)$
$K_{2}\left(R_{2} R_{1}^{T} P_{1}+T_{2}-T_{1}\right)$
$\color{#0F0}{K_{2}\left(R_{2} R_{1}^{T}\left(P_{1}-T_{1}\right)+T_{2}\right)}$
$K_{1}\left(R_{2} R_{1}^{T}\left(P_{1}-T_{1}\right)+T_{2}\right)$

2.下列哪种特征是没有描述子的 ( )

$\color{#0F0}{FAST}$
ORB
SIFT
SURF

3.下面哪种特征点方法使用了 FAST ( )

$\color{#0F0}{ORB}$
SIFT
SURF
都没有使用

4.以下哪个是求解 3D 到 2D 点对运动的方法 ( )

$\color{#0F0}{PnP}$
ICP
g2o
对极几何

5.以下哪个开源 SLAM 方案使用了 IMU 传感器信息 ( )

ORB-SLAM
SVO
$\color{#0F0}{OKVIS}$
DSO

6.以下哪个是基于描述子的特征点在 SLAM 系统中的缺点 ( )

无法压缩图像信息
无法进行回环检测
$\color{#0F0}{难以跟踪模糊图像}$
难以进行重定位

7.回环检测的主要目的是 ( )

A. 定位当前帧的相机位姿
B. $\color{#0F0}{优化地图信息}$
C. 进行多个点云图的融合
D. 进行非连续帧的特征匹配

8.以下哪个不是词袋模型在 SLAM 系统中的应用 ( )

当前帧与关键帧的特征匹配
重定位的特征匹配
$\color{#0F0}{连续帧的特征匹配}$
回环检测的特征匹配

9.在单目 SLAM 系统下回环检测不能优化以下哪个信息 ( )

$\color{#0F0}{绝对尺度信息}$
相对尺度信息
三维点信息
位姿信息

10.姿态图优化中 (pose graph optimization) 的边一般是 ( )

重投影误差
两个地图点之间的距离
$\color{#0F0}{两个相机位姿之间的相对运动}$
相机位姿

11.以下哪一个变量在 VISLAM 中不可观( )

翻滚⻆
俯仰⻆
$\color{#0F0}{偏航⻆}$

12.相比于 VSLAM ,加入 IMU 后的 VISLAM ,哪些状态可以观测 ( )

x 方向平移
偏航⻆
z 方向平移
$\color{#0F0}{尺度}$

13.给出 3 组 3D 点与 2D 点的匹配能否确定相机位姿 ( )

$\color{#0F0}{不能}$
能

14.下列关于视觉特征跟踪的说法错误的是 ( )

用于跟踪的视觉特征关键点的分布越分散越好。
图像金字塔主要为了提升视觉特征的尺度不变性。
$\color{#0F0}{在有重复纹理的场合,暴力匹配可以比带有像素位置先验信息的匹配结果更好。}$
ORB 特征和 SIFT 特征都可以使用词袋模型进行图像相似度对比。

15.在什么情况下 , 导致难以正确求取基础矩阵? ( )

两个视图焦距不一样
$\color{#0F0}{两个视图中心点重合}$
两个视图在垂直方向上下两个位置拍摄
以上都不对

16.在其它因素固定的前提下, RANSAC 算法需要的迭代次数期望值 N 与待估计模型的自由度 k 的关系满足( )

k 越大, N 越小
$\color{#0F0}{ k 越大, N 越大}$
k 与 n 无关
k 与 N 存在其它更加复杂的关系

17.在双目视觉中,我们经常遇到缺少尺度约束的线性问题,其建模形式如下: Ax=st ,其中 A 为 mxn 的矩阵,
s 为标量, t 为 mx1 的向量。对于这类问题我们通常使用下面的方法求解 ( )

Cholesky 分解
$\color{#0F0}{使用 DLT 转化为⻬次线性问题之后进行 SVD 分解}$
QR 分解
以上都不对

18.两条彼此平行的直线,经过下列哪种变换之后,可能不再平行?( )

欧式变换
相似变换
$\color{#0F0}{射影变换}$
仿射变换

19.卡尔曼滤波是 SLAM 中常用的多传感器融合的一种方法,那么下列针对卡尔曼滤波说法正确的是 ( )

卡尔曼滤波可以直接用于系统噪声是线性非高斯的系统
$\color{#0F0}{系统预测阶段能得到系统状态的先验估计,但是系统状态的不确定性增加了}$
即使系统部分可观,整个系统的所有状态的不确定性将是无界的
系统更新阶段对预测的状态进行校正,但不需要更新系统噪声协方差矩阵

20.E是本质矩阵,则 rank(E) 为 ( )

0
$\color{#0F0}{2}$
1
3

2.题集2

1.基于图优化的方法对视觉 SLAM 问题进行求解,对重投影误差进行最小化,现已知相机的位姿是完全可靠的,那么应如何设计图中的顶点和边?

将相机投影约束关系作为边,将相机的位姿和三维点的空间坐标设置为连接边的两个节点,同时优化两
个节点
将相机投影约束关系作为边,将相机的位姿和三维点的空间坐标设置为连接边的两个节点,只优化三维
点的空间坐标
将相机的位姿和三维点的空间坐标作为边,将相机投影约束关系作为顶点,同时优化两条边
$\color{#0F0}{将相机的位姿和三维点的空间坐标作为边,将相机投影约束关系作为顶点,只优化三维点的空间坐标}$

2.标准的双目相机模型,其为基线 b ,焦距为 f ,左右相机相同。已知某点 P 在左视图中的 x 轴位置为 u_L ,在右视图的 x 轴上的位置为 u_R ,不考虑镜头畸变,则 P 点的深度值 z 应该为( )

$\mathbf{z}=\frac{f\left(U_{L}-U_{R}\right)}{b}$
$\mathrm{z}=\mathrm{fb}\left(\mathrm{u}_{\mathrm{L}}-\mathrm{u}_{\mathrm{R}}\right)$
$\color{#0F0}{z=\frac{f b}{U_{L}-U_{R}}}$
$\mathbf{z}=\frac{\mathbf{f}}{\mathrm{b}\left(\mathbf{U}_{\mathrm{L}}-\mathbf{U}_{\mathrm{R}}\right)}$

3.集束调整所常使用的舒尔补是按照下述哪种办法求解的 ( )

先求解三维点后求解相机位姿
$\color{#0F0}{先求解相机位姿后求解三维点}$
先求解部分约束稀疏的三维点和相机位姿,再求解剩下的三维点和相机位姿
以上都不对

4.从真实世界到相机照片的变换可以看成是一个 ( )

欧式变换
相似变换
$\color{#0F0}{射影变换}$
仿射变换

5.若相机外参为 M ,即将一个点从世界坐标系坐标 x 转移到相机坐标系坐标 x’ 的变换为 x’=Mx ,则将一个世界坐标系的平面 π 转移到相机坐标系的变换为 ( )

$\pi^{\prime}=M \pi$
$\pi^{\prime}=M^{T} \pi$
$\pi^{\prime}=M^{-1} \pi$
$\color{#0F0}{\pi^{\prime}=M^{-T} \pi}$

6.相机 A , B 是一对校正后的双目相机,基线⻓度为 50cm ,相机焦距为 900 pixel ,某个空间点在相机 A 拍摄的图像中出现的位置为 (233, 213) ,在相机 B 拍摄的图像中出现的位置为 (213, 213) ,则可推测空间点的实际深度为 ( )( $\color{#0F0}{换算为单位米除以100}$ )

$\color{#0F0}{22.5m }$
25.5cm
27m
27.5cm

7.针孔模型下,什么样的图像间关系可以由单应矩阵描述 ( )

相机围绕中心进行纯旋转产生的图像
相机拍摄的是纯平面场景
相机拍摄的是位于无穷远的物体
$\color{#0F0}{以上都是}$

8.下列关于相机模型的说法正确的是 ( )

$\color{#0F0}{⻥眼相机可以用径向畸变(二次多项式)和切向畸变模型来矫正。}$
视场⻆越大的相机,通常其跟踪轨迹⻓度可以更⻓。
市售的双目相机只需要知道相机之间的基线距离,以及成像视差,就可以精确地三⻆化出深度。
对于单目 SLAM ,不同视场⻆下由于对同一物体的成像比例不同,最终主要影响重建结果的尺.

9.基于单目图像的纯视觉 SfM/SLAM 无法恢复哪些信息 ( )

场景的真实大小
相机的绝对朝向
相机的运动速度
$\color{#0F0}{以上都是}$

10.Structure From Motion时,一般会通过特征对应关系构造 fundamental matrix 或 homography matrix初始化相机位姿。在所有特征都位于一个平面上或只存在纯旋转的情况下,应该用( )初始化相机位姿。

Fundamental Matrix
$\color{#0F0}{Homography Matrix}$
Essential Matrix
Rotation Matrix

11.如果无法进行标定,针孔相机的内参可以由什么信息估算 ( )

$\color{#0F0}{图像的视野⻆}$
镜头焦距
相机的曝光时间
镜头的光圈大小

12.在双目相机模型中,下列哪种改变会导致视差变大? ( )

缩小相机焦距
缩小基线⻓度
增大相机光圈
$\color{#0F0}{缩小物体与相机的距离}$

13.若有以下双目相机,其视差的表达式错误的是 ( )
在这里插入图片描述

$x - x^{'}$
$\color{#0F0}{x'- x}$
$B f / Z$

14.以下哪些非线性最小二乘优化算法不属于信赖域( trust region )方法? ( )

A. $\color{#0F0}{ Gaussian-Newton 法}$
B. Levenberg–Marquardt 法
C. Dog Leg 法
D. 以上方法都不是

15.已知一相机 C ,该相机的外参为 R(3x3 旋转矩阵 ),t(3x1 平移向量 ) 。则该相机坐标系原点 p 在世界坐标系中的位置为 ( )

$p=R^{T} t$
$p = - R t$
$\color{#0F0}p=-R^{T} t$
$p = R t$

16.常用的优化器 g2o 使用的模型为 ( )

树模型
$\color{#0F0}{图模型}$
滤波器模型
栈模型

17.已知原图像内参 K=(fx, fy, cx, cy) ,图像大小为 (w, h) ,现对图像进行裁剪,从左上⻆ (m, n) 处截出大小为原图一半大小的图像( m < w/2, n < h/2 ) , 则截取后的图像的内参为 ( )

$\color{#0F0}(f_x, f_y, c_x-m ,c_y-n)$
$f_x/2, f_y/2, c_x, c_y)$
$f_x/2, f_y/2, c_x-m/2, c_y-n/2)$
$f_x, f_y, c_x, c_y)$

18.已知某时刻相机位姿 R, t 以及世界坐标系下三维点 X ,求该三维点在该时刻相机坐标系下的点 X’( )

$X^{\prime}=R X+t$
$X^{\prime}=R^{T}(X+t)$
$\color{#0F0}X^{\prime}=R^{T}(X-t)$
$X^{\prime}=R X-t$

19.已知相机在 0 时刻的位姿 T0=(R0,t0) ,以及当前时刻的位姿 T=(R, t) ,求在以 0 时刻的相机坐标系作为参考坐标系,当前时刻的位姿表达 T’( )

$T^{\prime}=\left(R R_{0}^{T}, R_{0} t-R_{0} t_{0}\right)$
$T^{\prime}=\left(R_{0} R^{T},-R_{0} R^{T} t+t_{0}\right)$
$\color{#0F0}T^{\prime}=\left(R_{0}^{T} R, R_{0}^{T} t-R_{0}^{T} t_{0}\right)$
$T^{\prime}=\left(R R_{0}^{T},-R R_{0}^{T} t_{0}+t\right)$

20.已知在 IMU 坐标系下某时刻 IMU 的位姿为 $T_{i 2 c}=\left(R_{i 2 c}, t_{i 2 c}\right)$ 以及 IMU 到相机的外参 ,求该时刻在相机坐标系下相机的位姿 Tc ( )

$T_{C}=\left(R_{i 2 c} R_{i}, R_{i 2 c} t_{i}+t_{i 2 c}\right)$
$\color{#0F0}T_{C}=\left(R_{i2c} R_{i}R_{i 2 c}^T, -R_{i2c}R_{i}R_{i2c}^T t_{i 2 c}+R_{i2c}t_{i}+t_{i2c}\right)$
$T_{C}=\left(R_{i} R_{i 2 c}^{T}, -R_{i} R_{i 2 c}^{T} t_{i 2 c}+t_{i}\right)$
$T_{C}=\left(R_{i} R_{i 2 c}, R_{i} t_{i 2 c}+t_{i}\right)$