Cyrill Stachniss教授slam课程——最小二乘和图优化slam总结

最新推荐文章于 2022-10-11 19:03:20 发布

豆皮卷香菜

最新推荐文章于 2022-10-11 19:03:20 发布

阅读量537

点赞数 1

文章标签：定位机器学习算法

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/l898985121/article/details/114324441

版权

目录

least square
Graph based slam

这里记录了Cyrill Stachniss教授讲课的课件和一些体会，课程可以在youtube或者B站上找到

least square

有一个待估计状态 $x$ ，有观测模型 $f (x)$ ，得到预测的观测值 $\hat{z}$ ，有实际的观测值 $z$ 。
在这里插入图片描述
以机器人位姿估计为例讲一下

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

Graph based slam

最小二乘的一些特性
在这里插入图片描述
在不同的机器人位姿之间添加约束（后面会提到的pose graph），也可以在位姿和三维世界特征点之间添加约束

在这里插入图片描述
回环检测会添加当前位姿和之前位姿之间的约束

利用graph来表达问题
每个node代表机器人的位姿（pose graph），总体上：可以将每一个待估计的量，弄成一个graph，比如三维世界的路标点的位置、相机的内参等等，都可以弄成node
每一个edge就是连接node之间的约束，不一定是两个，也可以是多个
graph based slam：利用graph来求解error最小的机器人位姿序列

一个例子

找到node之间的约束关系
在这里插入图片描述

效果还是非常不错的
在这里插入图片描述

有比较准的pose后，就可以构造一个地图
在这里插入图片描述
slam系统的整体结构：
前段+后端
这里主要解释后端

每一个 $x_i$ 代表在 $t_i$ 时刻的机器人位姿，每个位姿之间都有一个约束
在这里插入图片描述

可以利用odometry来创建一个node和node之间的约束
在这里插入图片描述
也可以利用激光雷达icp来构建一个约束

利用齐次坐标来表达odometry边，以及observation边
在这里插入图片描述
可以利用一个矩阵4x4，来表达旋转和平移，这个没啥问题

齐次坐标的一些特性
在这里插入图片描述

观测会受到信息矩阵的影响，这个信息矩阵可以理解成，正态分布里的协方差矩阵
问题1：scanmatching和odometry的信息矩阵有什么区别？
答：scanmatching会更准一点
问题2：在长廊里的信息矩阵什么样？
答：纵向信息少，横向信息多
在这里插入图片描述
注意这里：其实讲的就是pose graph
目标就是使平方误差最小化

最小平方误差形式

以及待估计的状态node
在这里插入图片描述
误差的表达式：

整体的最小化求解过程：

定义误差方程
线性化
计算导数
导数等于零
求解现行方程组
迭代

误差方程的线性化：用泰勒展开，涉及到求雅各比矩阵

可以看到雅各比矩阵是稀疏的
在这里插入图片描述

雅各比矩阵稀疏，使得H矩阵也是稀疏的
在这里插入图片描述

特定的b取值，只和相关的节点有联系，其他的位置都是0
在这里插入图片描述
H也是同样的情况

由于稀疏特性，可以有更快的求解方法

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
举一个1维的例子

在这里插入图片描述

可以固定一个点，比如一串点的时候固定第一个点，这个在高翔的视频里有讲到
g2o里可以设定一个fix特性
在这里插入图片描述
一个实际的效果

可以将一些已知的点设定为不变的点，不去进行更新
在这里插入图片描述

这个不太懂，最后这一点不知道要干啥。
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

豆皮卷香菜

关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
1
评论
Cyrill Stachniss教授slam课程——最小二乘和图优化slam总结

目录least squareGraph based slam这里记录了Cyrill Stachniss教授讲课的课件和一些体会，课程可以在youtube或者B站上找到least square有一个待估计状态xxx，有观测模型f(x)f(x)f(x)，得到预测的观测值z^\hat{z}z^，有实际的观测值zzz。以机器人位姿估计为例讲一下Graph based slam...
复制链接

扫一扫

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。