探索SLAM新境界：EKF-SLAM-on-Manifold深度解析与实践

最新推荐文章于 2024-11-25 10:11:21 发布
最新推荐文章于 2024-11-25 10:11:21 发布
阅读量360 收藏 4
点赞数 5
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/gitblog_00083/article/details/139916082
版权

探索SLAM新境界：EKF-SLAM-on-Manifold深度解析与实践

去发现同类优质开源项目:https://gitcode.com/

项目介绍

在机器人领域，SLAM（Simultaneous Localization And Mapping，即时定位与地图构建）一直是研究的热点。EKF-SLAM-on-Manifold是由张滕、吴灿志、黄守东和Gamini Dissanayake共同开发的一个杰出项目。这篇论文《3D不变量EKF SLAM的收敛性和一致性》已被顶级期刊《Robotics and Automation Letters》接收发表，其代码仓库专为算法实现而设，目前正在逐步完善中。

本项目重点围绕R-EKF（右乘EKF）、FEJ-EKF（先验误差雅可比EKF）和T-EKF（标准EKF）三种算法的3D SLAM实现，提供了丰富的模拟设置调整功能，方便研究人员与开发者验证与测试。

项目技术分析

EKF-SLAM-on-Manifold的核心在于引入了3D不变量扩展卡尔曼滤波器，这是一大创新点。传统EKF处理的是向量空间中的问题，而本项目通过将SLAM问题映射到流形上，有效解决了高维度空间下的非线性优化难题。利用这种结构，它能更好地处理传感器数据中的非对称性和复杂性，从而提升了定位和建图的准确性和鲁棒性。

项目及技术应用场景

EKF-SLAM-on-Manifold特别适用于那些对精度有严格要求的机器人导航、自动驾驶车辆、无人机巡检以及增强现实等场景。在这些应用中，实时的定位和精准的地图构建是基础，而该项目的3D不变量特性尤其擅长处理复杂的环境变化，如多地标识别、遮挡以及动态干扰等因素。无论是室内还是室外环境，这一框架都能提供稳定可靠的性能表现。

项目特点

  • 理论与实践结合：基于深厚的理论研究，将学术成果转化为可用的代码库，便于实际部署。
  • 灵活性与定制化：提供易于调节的仿真设置，用户可根据具体需求调整噪声水平、地标数量与视场角等参数。
  • 比较评估工具：内置不同EKF变种的对比测试脚本，如“./comparison_3d.m”，使得算法优劣一目了然。
  • 详尽文档与示例：即使是初学者也能通过提供的数据生成和测试案例快速上手，减少学习曲线。
  • 蒙特卡洛测试支持：“./multi_comparison_3d.m”允许进行大规模的仿真测试，验证算法在不同条件下的稳健性。

EKF-SLAM-on-Manifold项目以其前沿的技术实现、强大的应用潜力和易用性，无疑为SLAM领域的研究者和开发者提供了一个宝贵的工具箱。无论是深入研究SLAM理论，还是致力于提高工程实现效率，此项目都是不可多得的选择。现在就加入这个开源社区，探索更多可能，推动机器人技术的新突破！

去发现同类优质开源项目:https://gitcode.com/

SLAM综述(3)-视觉与惯导，视觉与深度学习SLAM
点云PCL
05-24 2181
SLAM包含了两个主要的任务：定位与构图，在移动机器人或者自动驾驶中，这是一个十分重要的问题：机器人要精确的移动，就必须要有一个环境的地图，那么要构建环境的地图就需要知道机器人的位置。 本系列文章主要分成四个部分： 在第一部分中，将介绍Lidar SLAM，包括Lidar传感器，开源Lidar SLAM系统，Lidar中的深度学习以及挑战和未来。 第二部分重点介绍了Visual SLAM，包括相机传感器，不同稠密SLAM的开源视觉SLAM系统。 第三部分介绍视觉惯性里程法SLAM，视觉SLAM中的深度学习以
机器人学Robotics学习资料 | 我的SLAM入门路线分享
3D视觉工坊
03-24 622
点击进入—>3D视觉工坊学习交流群1、前言可能因为进入了新学期，本人遇到了几次身边小学弟和网友的提问：机器人学和SLAM该怎么入门好？由于回答了几次问题，就借着这个机会把问题的回答整理归纳下。这篇分享仅是根据本人入门Robitics和SLAM的亲身经历，基于一步一个脚印摸索而来的路线来尽可能避免小伙伴们走我的弯路，文章内容的广度和深度应该是不如网上其他大佬们整理出来的综述，但贵在真实可靠，希...
On-Manifold Preintegration for Real-Time Visual-Inertial Odometry.pdf
04-06
Abstract: Current approaches for visual-inertial odometry (VIO) are able to attain highly accurate state estimation via nonlinear optimization. However, real-time optimization quickly becomes infeasible as the trajectory grows over time; this problem is further emphasized by the fact that inertial measurements come at high rate, hence leading to fast growth of the number of variables in the optimization. In this paper, we address this issue by preintegrating inertial measurements between selected keyframes into single relative motion constraints. Our first contribution is a preintegration theory that properly addresses the manifold structure of the rotation group. We formally discuss the generative measurement model as well as the nature of the rotation noise and derive the expression for the maximum a posteriori state estimator. Our theoretical development enables the computation of all necessary Jacobians for the optimization and a-posteriori bias correction in analytic form. The second contribution is to show that the preintegrated IMU model can be seamlessly integrated into a visual-inertial pipeline under the unifying framework of factor graphs. This enables the application of incremental-smoothing algorithms and the use of a structureless model for visual measurements, which avoids optimizing over the 3D points, further accelerating the computation. We perform an extensive evaluation of our monocular VIO pipeline on real and simulated datasets. The results confirm that our modelling effort leads to accurate state estimation in real-time, outperforming state-of-the-art approaches.
解读《On-Manifold Preintegration for Real-Time Visual-Inertial Odometry》
shenshikexmu的博客
12-24 1258
ΔRij≐RiTRj=∏k=ij−1Exp((ω~k−bkg−ηkgd)Δt)Δvij≐RiT(vj−vi−gΔtij)=∑k=ij−1ΔRik((a~k−bka−ηkgd)ΔtΔpij≐RiT(pj−pi−viΔtij−12∑k=ij−1∑k=ij−1gΔt2)=∑k=ij−1[Δvikδt+12ΔRik(a~k−bka−ηkgd)ΔT2](33) \begin{aligned} \Delta R_{ij} &\doteq R^{T}_{i}R_{j}=\prod_{k=i}^{j-1} Exp(
【论文阅读】On-Manifold Preintegration
格物致知
03-13 1678
本文介绍了预积分的技术细节。 C. Forster, L. Carlone, F. Dellaert, D. Scaramuzza. On-Manifold Preintegration for Real-Time Visual-Inertial Odometry.IEEE Transactions on Robotics, 33(1), 1-21, 2017. 以上过程与我们在IMU测量方程和噪声方程中已有描述。当然，我们完全可以用这种约束来构建图优化，对IMU相关的问题进行求解。但是这组方程刻画的时.
VIO当中的预计分 《On-manifold preintegration for real-time visual-inertial Odometry》
LilyNothing的博客
01-20 1万+
该博客是关于VIO当中预计分的知识。同时结合高翔博士的讲解PPT以及原文章。我刚开始也看不是很懂，然后不断的查各种知识甚至原文中的各种英文术语，然后先理解术语是什么意思，再将其与该论文中的应用场景对应，其中还选择择了高翔博士的《视觉SLAM十四讲作为参考资料》。 预备知识—李群李代数 李群李代数的知识参考了《视觉SLAM十四讲》以及预计分论文的前面部分。SO(3)特殊正交群也就是由三维旋转
Manifold
u012841922的博客
06-05 4713
Manifold
超全！SLAM论文与开源代码汇总（激光+视觉+融合）
qq_29462849的博客
10-20 8559
1.代表性视觉SLAM算法论文与开源代码总结2.代表性激光SLAM算法论文与开源代码总结3.代表性激光-视觉融合SLAM算法论文总结激光-视觉-IMU-GPS融合SLAM算法理论与代码讲解...
Point-LIO：鲁棒高带宽激光惯性里程计
3D视觉工坊
04-14 1158
可以看出，在50-106 s的时间段内，IMU饱和 (陀螺仪的z轴和加速度计的y轴)，而Point-LIO仍然可以给出合理的估计。可以看到，即使在极端激进的运动下，也能够估计无人机的状态。另外，LILI-OM，LIO-SAM和LINS都基于里程计 (包括特征提取和粗位姿估计) 和建图 (例如LILI-OM中的后端融合，LIO-SAM中的增量平滑和建图，和在LINS中进行的地图细化)，其每个LiDAR扫描的平均处理时间在对计算时间进行排序时由这两个部分 (“Odo.” 和 “Map.”) 求和。
第5.2章 一文彻底学会SLAM优化库之G20
行知SLAM
10-15 557
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。
反射器EKF SLAM：一种高级定位与地图构建技术
gitblog_00092的博客
04-04 449
反射器EKF SLAM：一种高级定位与地图构建技术 去发现同类优质开源项目:https://gitcode.com/ 在机器人和自动驾驶领域，反射器扩展卡尔曼滤波SLAM (Reflective EKF SLAM) 是一项至关重要的技术，它允许设备在未知环境中自主导航并构建精确的地图。项目提供了一个实现这一概念的开源框架，为研究者和开发者提供了实验和应用此技术的平台。 技术概述 扩展卡尔曼滤波（E...
EKF_SLAM一般过程
热门推荐
李想的博客
12-13 1万+
SLAM，同步定位与地图构建，本文将介绍基于EKF的SLAM的整体过程。 1 EKF_SLAM Overview 当机器人处在个未知环境中时，他最想知道的就是他在当前环境中的位置。环境不知道咋办，通过传感器获得，如里程计，激光雷达，摄像头等。机器人收到的数据是相当多的，但是并不是所有的数据都可以用来定位。首先需要在这些传感器信息中提取出地标，然后根据这些地标进行卡尔曼滤波的
机器人学导论实验5-EKF-SLAM
最新发布
m0_62165705的博客
11-25 295
EKF-SLAM的思路是把地图以概率的方式添加到状态中,也就是说将地图M上的地标(land-本次实验在实验四的基础上继续扩展。实验四中实现的机器人定位依赖于一个先验的已知。地图，而本次实验则是要机器人在探索环境的同时实现自动的地图构建。部分实验报告文字及截图。
VIO概述　On-Manifold Preintegration for Real-Time Visual--Inertial Odometry
weixin_34050427的博客
04-28 928
目前的研究方向可以总结为在滤波算法中实现高精度，在优化算法中追求实时性．当加入IMU后，研究方向分为松耦合和紧耦合，松耦合分别单独计算出IMU测量得到的状态和视觉里程计得到的状态然后融合，紧耦合则将IMU测量和视觉约束信息放在一个非线性优化函数中去优化．紧耦合的框架使得IMU数据可以对视觉里程计进行矫正，同时视觉里程计信息也可以矫正IMU的零偏，因此一般认为紧耦合的定位精度较高．个人认为松耦合和滤...
浅谈流形学习(Manifold Learning)
追梦水手的博客
04-28 1683
Machine Learning 虽然名字里带了 Learning 一个词，让人乍一看觉得和 Intelligence 相比不过是换了个说法而已，然而事实上这里的 Learning 的意义要朴素得多。我们来看一看 Machine Learning 的典型的流程就知道了，其实有时候觉得和应用数学或者更通俗的数学建模有些类似，通常我们会有需要分析或者处理的数据，根据一些经验和一些假设，我们可以构建一个...
VINS-mono详细解读
weixin_30875157的博客
04-15 2648
VINS-mono详细解读 极品巧克力 前言 Vins-mono是香港科技大学开源的一个VIO算法，https://github.com/HKUST-Aerial-Robotics/VINS-Mono，是用紧耦合方法实现的，通过单目+IMU恢复出尺度，效果非常棒。 感谢他们开源，我从中学到了非常多的知识。源码总共有15000多行，我在通读完程序之后，结合参考文献，把程序背后的算法理论都...
流形manifold
hjwang1的专栏
07-21 916
流形（manifold）的概念最早是在1854年由 Riemann 提出的(德文Mannigfaltigkeit)， 现代使用的流形定义则是由 Hermann Weyl 在1913年给出的。 江泽涵先生对这个名词的翻译出自文天祥《正气歌》“天地有正气，杂然赋流形”。 中国第一个拓扑学家江泽涵（北大老教授）把这个词翻译为 “流形”，取自文天祥《正气歌》，“天地有正气，杂然赋流形”， 而其原始出处为《易经》，“大哉乾元，万物资始，乃统天。云行雨施，品物流形。” 这个翻 译比英文翻译更加符合黎曼的原.
IMU Preintegration On Manifold(1)
Neo Arcadia
06-13 3709
IMU Preintegration On Manifold(1)
VINS-详细解读（论文+代码）
JH_233的博客
06-03 4872
VINS-初始化BVINS-非线性优化VINS-非线性优化-先验残差
评论
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

打赏作者

黎情卉Desired

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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