vins-mono(3)后端非线性优化

最新推荐文章于 2023-11-09 17:33:20 发布
最新推荐文章于 2023-11-09 17:33:20 发布
阅读量714 收藏 1
点赞数
分类专栏： slam 文章标签： vins-mono
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/gyhjlauy/article/details/103045889
版权

紧耦合单目VIO:

初始化之后,执行一个基于滑窗的紧耦合单目VIO,得到精度更高鲁棒性更好的状态估计值.

滑窗中的状态向量定义为:

                                        在这里插入图片描述

xk是某一时刻捕获第k帧图像时IMU的状态.共包括滑动窗口内的n+1个所有相机的状态,相机和IMU的外参,m+1个3d点的逆深度.

采用BA优化,它的目标函数是–建立视觉惯性的BA优化模型:

        在这里插入图片描述

其中三个残差项分别是边缘化的先验信息,IMU测量残差,视觉的重投影残差.

a.IMU测量残差

在这里插入图片描述

优化变量为:

                 在这里插入图片描述

b.视觉测量残差

一般的针孔相机模型将重投影误差定义在图像平面上,而论文中介绍了将相机测量残差定义在单位球面上,使得它能适用于更多的相机类型,如广角相机,鱼眼相机.

b1.针孔相机

最低0.47元/天 解锁文章
鸡蛋灌饼想加辣条
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
七、VINS-mono 代码解析——紧耦合后端非线性优化 IMU+视觉的残差residual、Jacobian、协方差、基于舒尔补的边缘化
Alex的博客
07-16 1355
目录 一、VIO残差函数的构建 1、需要优化的状态向量： 2、目标函数为： 二、视觉约束（细致） 1.视觉重投影误差residual（归一化平面） 2、优化变量 3、Jacobian 4、协方差 三、IMU约束（粗略，祥细见之前） 1、残差： 2、优化变量： 3、IMU测量残差公式推导 4、残差对状态量的Jacobian 5、残差对状态量的协方差 四、基于舒尔补的边缘化 1、论文部分 2、基本公式 3、舒尔补 4、marg后形成的先验 5 具体例子 5.1 原来的信息矩阵H的构成 5.2 舒尔补后形成新的
VINS-Mono之后端非线性优化 (目标函数中视觉残差和IMU残差，及其对状态量的雅克比矩阵、协方差递推方程的推导)
Hansry的博客
02-09 3220
1. 前言 之前看过崔华坤的《VINS论文推导及代码解析》还有深蓝学院的VIO课程，对VINS的后端非线性优化有了较为清晰的认识，但是一直没有时间整理写成笔记，最近看到Manni的博客VINS-Mono理论学习——后端非线性优化 概括得很不错，针对这三份资料还有自己的一些理解重新整理下，感谢优秀的大佬们提供的参考资料。 2. 非线性最小二乘 尽管非线性最小二乘是很常见的问题，可参考《SLAM14讲...
VINS-Mono理论学习——后端非线性优化
Manii
06-27 1万+
本文主要介绍VINS状态估计器模块（estimator）在完成了系统初始化后，对视觉与IMU信息进行基于滑动窗口的紧耦合过程中用到的非线性优化理论。这部分对应论文第六章（VI. TIGHTLY-COUPLED MONOCULAR VIO），并参考了崔博的《VINS论文推导与代码解析》、深蓝学院的VIO课程内容。主要想对目标函数中视觉残差和IMU残差，以及对应的雅可比、协方差进行推导。
VINS-MONO的非线性优化
Zjuer_Jingyu的博客
05-04 769
需要优化的变量如下： 系统的代价函数如下： 其中三个残差项依次是： 边缘化的先验信息 IMU测量残差 视觉的观测残差 1）视觉的观测残差 视觉测量残差就是重投影误差，定义为一个特征点在归一化相机坐标系下的估计值与观测值的差。视觉的观测误差可表示如下： 参考该博客，推导上述公式。在这里，我们使用了逆深度λ作为参数，将特征点的三维坐标的z坐标值归一化为1。 使用逆深度作为参数有以下原因： ...
VINS-Mono代码精简版代码详解-后端非线性优化(三)
jiweinanyi的博客
08-21 1574
非线性优化部分代码解析 之前已经对VINS-Mono的初始化部分进行了介绍，下面结合代码和公式介绍其非线性优化部分。本文部分参考https://blog.csdn.net/u012871872/article/details/78128087\url{https://blog.csdn.net/u012871872/article/details/78128087}https://blog.csd...
VINS-Mono代码精简版代码详解-后端优化之边缘化(三)
jiweinanyi的博客
08-22 2461
边缘化策略 参考博客：https://www.cnblogs.com/feifanrensheng/p/10532918.html\url{https://www.cnblogs.com/feifanrensheng/p/10532918.html}https://www.cnblogs.com/feifanrensheng/p/10532918.html https://blog.csdn.ne...
VINS-Mono学习（三）——基于滑动窗口的VIO紧耦合后端非线性优化
qq_38167930的博客
08-18 932
初始化后，采用基于滑动窗口的紧耦合单目VIO进行状态估计。首先来看VINS-Mono后端的整体思路： 大道至简，思路比较简单，但是实现相当复杂。回顾BA三要素：误差项、优化变量、协方差。 简单说，VINS-Mono的误差来源于三部分，分别是来源于视觉的重投影误差，来源于IMU预积分的IMU误差（PVBQ的运动误差）以及来源于滑动窗口维护的边缘化操作带来的先验误差。 BA优化模型分为三部分： 1、M...
VINS-Mono 理论详细解读——紧耦合后端非线性优化 IMU+视觉的残差residual、Jacobian、协方差、基于舒尔补的边缘化
try_again_later的博客
03-17 4901
本讲是VINS最核心部分了，前面经历了 1）视觉跟踪feature_tracker、IMU预积分integrationBase类；2）初始化中SFM纯视觉估计滑动窗中所有帧的位姿和3D路标点深度、SFM与IMU预积分松耦合对齐求解初始化参数。本节将进行第3部分，基于滑动窗的紧耦合后端非线性优化：将视觉约束、IMU约束、闭环约束放到一个大的目标函数中进行非线性优化，求解出滑动窗口中所有帧的PVQ、bias等。
VINS-Mono 代码详细解读——基于滑动窗口的紧耦合后端非线性优化 optimization()+滑动窗slideWindow()
try_again_later的博客
03-21 5395
上一篇文章是基于滑动窗的紧耦合后端非线性优化的理论部分，主要分为以下部分： VIO残差函数构建 视觉约束：视觉重投影误差residual、残差对状态量的Jacobian、协方差 IMU约束：residual、Jacobian、Covariance 基于舒尔补的边缘化 本文将对Estimator::optimization()函数的代码进行详细讲解。 目录 一、VIO残差函数构建...
VINS-Fusion 外参标定效果分析（二）
qq_43591054的博客
03-07 550
对VINS-Fusion在线外参估计的进一步研究。
VIO概述　On-Manifold Preintegration for Real-Time Visual--Inertial Odometry
weixin_34050427的博客
04-28 870
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...
【SLAM】VINS-MONO解析——后端优化(理论部分)
iwanderu的博客
03-08 2万+
7.后端非线性优化 7.1 理论基础 7.1.1 bayes模型，因子图和最小二乘 这一部分主要是对董靖博士在公开课《因子图的理论基础》上的回忆和总结。 (1)bayes模型 假设有黄色是机器人在不同时刻的位姿，蓝色是机器人观测到的路标点，红色是机器人对路标点的观测，绿色是机器人对自身运动的观测。 那么，这个过程可以用下面这个bayes-net来描述： 那么，可以有这样的定义： 黄色——机器人...
VINS-Mono-后端优化 （二：预积分残差雅可比推导）
最新发布
zysss_的博客
11-09 627
δα这里是求预积分对约束的参数块进行求导，有这个雅可比矩阵才能进行优化步长的计算，这个是预积分这个约束因子对各个优化变量的求导，后面还有相机的观测残差块中的θ是3维的，但是参数块中的四元数是4维的，因为相减后残差只剩虚部了，但是参数是从4个参数变过来的预积分的残差具体如下，总共有15维的自由度，即y有15维而参数块x， 维护的是k和k1时刻的PQVBaBgP是3维，Q是四元数有4维，因为是过参数化的形式，而VBaBg总共是9维的参数块所以整个参数块x。
EVO评估VINS-Mono 的精度和性能效果
weixin_56257452的博客
03-20 1252
EVO评估VINS-Mono 的精度和性能效果
VINS-Mono源码解析（五）后端: 紧耦合优化
roboto
07-25 9991
VINS-Mono源码解析（五）后端: 紧耦合优化1. 优化原理a) 优化变量χ第k帧状态:xk相机外参:xbc=[x0,x1,...,xn,     xbc,     λ0,λ1,...,λm]=[pwbk,vwbk,qwbk,ba,bg]   15维=[pbc,qbc]   6维\begin{equation} \begin{aligned} \chi &= [x_0,x_1,..., x_n,
VINS-Mono 理论详细解读——紧耦合后端非线性优化 IMU+视觉的残差residual、Jacobian、协方差、基于舒尔补的边缘化
诗筱涵的博客
12-30 1925
转载自：VINS-Mono 理论详细解读——紧耦合后端非线性优化 IMU+视觉的残差residual、Jacobian、协方差、基于舒尔补的边缘化_努力努力努力-CSDN博客 VINS-Mono 理论详细解读——紧耦合后端非线性优化 IMU+视觉的残差residual、Jacobian、协方差、基于舒尔补的边缘化 贵在坚持，不忘初心 2020-04-07 19:58:54 1531 收藏 10 分类专栏： VINS-Mono and Fusion 程序解读 版权 ​VINS-Mono.
VINS-Mono论文学习与代码解读——目录与参考
热门推荐
Manii
01-04 4万+
港科大的VINS-Mono作为目前state of the art的开源VIO项目，是研究视觉与IMU融合的必读算法。本人将在学习之余逐步整理自己对算法的论文和实现的相关解读，欢迎大家一起讨论。
VINS-Mono代码解读——状态估计器流程 estimator 写在初始化和非线性优化前
Manii
01-13 1万+
前言 本文主要介绍VINS的状态估计器模块（estimator），或者从ROS角度说是estimator节点。 这个模块可以说是VINS的最核心模块，从论文的内容上来说，里面的内容包括了VINS的估计器初始化、基于滑动窗口的非线性优化实现紧耦合，即论文第五章（V. ESTIMATOR INITIALIZATION）第六章（VI. TIGHTLY-COUPLED MONOCULAR VIO）。 代码...
闭环关键帧数据库与VINS-Mono网络优化详解
后端非线性优化是核心环节，它定义了状态向量、目标函数，以及如何集成IMU和视觉约束。闭环检测和优化阶段则决定何时触发优化，并将优化结果应用到实际导航逻辑中。 文章还深入探讨了IMU预积分、连续和离散形式下的...
评论 2
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