11月学习总结

因子图优化

贝叶斯网络

贝叶斯网络是种概率图，由随机变量节点和表达随机变量条件独立性的边组成，形成一个有向无环图。在 SLAM 中,由于我们有运动方程和观测方程,它们恰好表示了状态变量之间的条件概率,故SLAM 可以自然地表达成一个动态贝叶斯网络(Dynamic Bayes Network, DBN).下图是slam问题的贝叶斯网络表示：

从图中可以看出节点间存在着条件关系，z是由三维点和位姿产生的观测点，x基于上一时刻位姿和输入推出。随意贝叶斯网络计算位姿的根本问题就是，通过改变变量的取值，使得位姿后验概率达到最大。

因子图

贝叶斯网络是一个有向无环图，因子图是一种无向图，由两种节点组成：表示优化变量的变量节点，以及表示因子的因子节点。当使用于slam中用因子图表示时如下图所示。

这里圆圈是变量节点，需要进行优化。

但是对于因子图优化存在着和其他优化同样的问题，不能实现实时的全局优化，将优化结果返回前端，减小定位误差。
目前常见的解决方法有，构建局部地图，将新加入的帧影响到的局部地图进行局部优化。但是没有利用全部的帧，这会不会影响最终的运算结果，局部地图的选取是否合理，仍是个问题。
所以为了解决这一问题，提出了增量式优化的思想，该思想在从网上资料可知，有很多实现的方式，最简洁的有，提出一个固定的帧数n，因为当前位姿只受前n帧的数据影响，进行局部BA优化。有基于概率论的方法，根据贝叶斯树确定每一帧对于当前帧位姿的影响程度，选取概率阈值筛取帧，进行优化局部优化。以上两种方法都是利用部分帧，目前还有一种思想，利用全部的帧进行，但是在构造优化过程中的正规方程舒尔补方程时，为了减小计算量，设定以上二者改变的阈值，当其小于一定值时，则不对矩阵更新，利用了全部帧的数据，但是仍可以达到实时的计算效率。
以上处理方法都对数据有着一定的约减，所以最终的运行结果受应用场景影响较大，很难说明哪个更好。
为了更好了理解增量式优化，对于gtsam框架进行一定的了解。

gtsam

gtsam是基于因子图的C++库。

上图中的因子图由三步的隐马尔可夫模型组成。
黑块表示的就是因子，因子类似于一个函数，它依赖于连接的变量。
注：隐马尔可夫模型
隐马尔可夫模型 (Hidden Markov Model) 是一种统计模型，用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数，然后利用这些参数来作进一步的分析。
对 HMM 来说，有如下三个重要假设，尽管这些假设是不现实的。
　　假设1：马尔可夫假设（状态构成一阶马尔可夫链）
　　假设2：不动性假设（状态与具体时间无关）
　　假设3：输出独立性假设（输出仅与当前状态有关）
详细可查阅下面的帖子。
隐马尔可夫模型（HMM）

gtsam例子

如上图所示，该模型中有一元因子和二元因子，一元因子被称为先验。o是来自里程计的观测值，根据观测值确定变量值。
该模型是基于二维平面的。

//创建一个空的非线性因子图
NonlinearFactorGraph graph;

// 添加一个高斯先验x_1
//Pose2 表示的是在一维平面里的旋转和二维平移量，组成了一个三维的变量
Pose2 priorMean(0.0, 0.0, 0.0);
noiseModel::Diagonal::shared_ptr priorNoise =
  noiseModel::Diagonal::Sigmas(Vector3(0.3, 0.3, 0.1));
//加入噪声，对角线高斯模型0.3m，0.1弧度
graph.add(PriorFactor<Pose2>(1, priorMean, priorNoise));

//添加两个里程因子
//也就是里程计观测到的位姿值
Pose2 odometry(2.0, 0.0, 0.0);
noiseModel::Diagonal::shared_ptr odometryNoise =
  noiseModel::Diagonal::Sigmas(Vector3(0.2, 0.2, 0.1));
//前两个变量指的是图中的变量序号
graph.add(BetweenFactor<Pose2>(1, 2, odometry, odometryNoise));
graph.add(BetweenFactor<Pose2>(2, 3, odometry, odometryNoise));

因子图通过练习概率，联系了整个轨迹。

//加入初始的位姿变量值
Values initial;
initial.insert(1, Pose2(0.5, 0.0, 0.2));
initial.insert(2, Pose2(2.3, 0.1, -0.2));
initial.insert(3, Pose2(4.1, 0.1, 0.1));

//使用非线性优化器进行优化
Values result = LevenbergMarquardtOptimizer(graph, initial).optimize();

得到优化后的输出值

Initial Estimate:
Values with 3 values:
Value 1: (0.5, 0, 0.2)
Value 2: (2.3, 0.1, -0.2)
Value 3: (4.1, 0.1, 0.1)

Final Result:
Values with 3 values:
Value 1: (-1.8e-16, 8.7e-18, -9.1e-19)
Value 2: (2, 7.4e-18, -2.5e-18)
Value 3: (4, -1.8e-18, -3.1e-18)

新概念飞行器

概念

众所周知，创新是事物发展的源动力，伴随着科技的不断进步和发展的推动，以及人们对高精尖飞行器的需求为牵引，促使了新概念飞行器的诞生。概念创新是未来各行业领军人士不可或缺的杀手锏。所谓新概念飞行器，即集空天、仿生、绿色、变体于一身的尚处于探索和研发状态的一类飞行器。新概念飞行器成为了人们探索空天领域，促进飞行相关事业发展的灵魂，是国内外争相研究的热点问题。

对比

新概念飞行器与传统飞行器相比在设计上，其飞行原理以及气动布局等方面有较大的提升，如果用时代性、节能性、作战性等词语来形容最为贴切。具体表现为以下几个方面：噪声污染、废气排放控制、气动一体化设计等方面均可应用于大型客机设计以及新一代环保型超声速客机的设计，使其在环保性方面突出优势；而高生存性综合设计方法则可用于大型军用运输机和第六代战斗机的设计，为提高其作战能效奠定基础；对于一些极端隐身性技术、远航程及超常续航能力方面的设计方法可用于先进布局无人机、高空长航时无人机设计;宽包络、多任务一体化设计将为设计适应性更强的高超声速飞行器模型提供保障，可用于吸气式和超高速飞行器的设计。简言之，新概念飞行器将具有高复杂性、高精密性、高先进性，其综合设计的方法将在现有多学科设计的基础上，向高度协同与学科耦合设计的方向发展。

国内外实例

有南安普敦大学机械学博士设计的Super B，该设计具有很好地避障能力。此凉席无人机的旋翼旋转面和车轮所在平面相互垂直，且四个机臂上各放置驱动车轮的电机，同时又构成一个四旋翼式飞行器，用来控制无人机飞行。其在车轮也采用了柔性塑料，具有很好地缓冲作用，即使车轮在坠落时受到冲击也不致损坏。

智能概念车POP.Up。这是由三个模块组成的交通系统，分别有车辆底盘、成员胶囊、无人机模块、它们可相互独立也可互相适配，是一款高效率、模块化、全电动、零排放的概念车。