激光SLAM知识点整理

整理学习激光SLAM过程中的零碎知识点

1. 【高斯过程】用于连续时间的轨迹建模

什么是Gaussian process? —— 说说高斯过程与高斯分布的关系 - 蓦风星吟的文章 -知乎
在连续时间域内，假设选取一定数量的节点时刻，每一个时刻的位姿都遵循高斯分布，并且在一段时间内遵循多元高斯分布， 即协方差的联合，可以用高斯核函数进行求解。
对于一组既定的训练数据点，或许潜在有无限多个函数可以用来做拟合。高斯过程则为此提供了一个优雅的解决方案——给每个这类函数分配一个概率值，而关键在于如何选取合适的高斯核。
看得见的高斯过程：这是一份直观的入门解读 - 机器之心的文章 - 知乎
随机微分方程(SDE)与伊藤积分

2. 多传感器信息融合

相机：具有丰富的颜色和纹理信息，可以完成目标分类、检测、分割、识别等任务，但是不能得到精确的探测距离，而且易受光照、天气条件的影响。
lidar：可以获得目标精确的3D信息，检测范围也能够到达150米。对光照不敏感，晚上也可以正常工作。但是角分辨率大，目标稀疏，无法获得目标纹理，分类不准，而且在雨、雾、雪等恶劣天气中，性能会下降。对扬尘、水雾也比较敏感，易产生噪点。
radar：可以提供精确的距离和速度信息，探测距离也比较远，可以全天候工作，但分辨率较低，无法提供物体高度信息。

2.1 时间同步：

GPS时钟：这个需要看传感的硬件是否支持该种方法，如果支持则传感器给出的数据包会有全局的时间戳，这些时间戳以GPS为基准，这样就使用了相同的时钟，而非各自传感器的时钟了，之后可以按照时间戳的邻近关系寻找对应数据。
、、、、、
硬件同步：该方法可以以激光雷达作为触发其它传感器的源头，当激光雷达转到某个角度时，才触发该角度的摄像头，这可以大大减少时间差的问题。这套时间同步方案可以做到硬件中，这样可以大大降低同步误差，提高数据对齐效果

2.2 运动补偿及传感器标定

对于激光雷达在连续时间内工作的传感器需要进行畸变的矫正；
多传感器内外参数的标定；

2.3 融合方法

前融合：将每个传感器的原始数据融合成具有多个维度信息的‘向量’，对融合后的数据进行感知，然后去完成特定目标，如目标识别与检测
、、、
后融合：每个传感器独立进行既定的目标，然后将感知的结果进行融合

3. 相对位姿求解与插值

在求解相对位姿时，不可以将旋转与平移分开求解(不可旋转直接求逆，平移直接相减)，类似于对位姿的插值，必须使用位姿矩阵进行 $T^{-1}\oplus T$，一般欧拉角不适合进行插值，四元数更好一些。
四元数插值参考代码

4. B-spline 样条曲线基函数

CS3621 Introduction to Computing with Geometry Notes

（参考博客／CS3621 Introduction to Computing with Geometry Notes）

*李群空间内样条线对时间与节点求导源码

5. CatmullRom Spline

所谓样条曲线是指给定一组控制点而得到一条曲线，曲线的大致形状由这些点予以控制，一般可分为插值样条和逼近样条两种，插值样条通常用于数字化绘图或动画的设计，逼近样条一般用来构造物体的表面。CatmullRom样条与上一节所讲的B样条很相似，不同在于CatmullRom样条的曲线会经过其每一个控制点（除首尾外）。

参考1：https://blog.csdn.net/i_dovelemon/article/details/47984241
参考2：https://blog.csdn.net/wsf09/article/details/103453496
参考wiki：https://qroph.github.io/2018/07/30/smooth-paths-using-catmull-rom-splines.html
三次曲线对比及其矩阵表示（Bezier, B-Spline, Hermite, Catmull-Rom）:

6. 多传感器位姿耦合

对于SLAM问题，载具上的传感器可能有多种，包括但不限于激光雷达，相机，GMU等，在实现里程计模型时，多种传感器输出的帧间位姿都是在对应传感器的坐标系下的，不同传感器输出的帧间位姿不直接具有可比性，为了满足可比性（通常在做融合的时候需要），需要通过传感器之间的转换矩阵进行转换。

例如，kitti数据集的采集设备上搭载了lidar,camera和GMU，三者的转换关系可以在raw data的calib文件夹中获取。现在以Lidar和Camera为例，推导如何对齐不同传感器里程计的输出位姿：

假设LO输出的绝对位姿是 ，代表第i帧数据相对第0帧（初始状态）的位姿转换关系，即把空间一点P从第i帧雷达坐标系投影到第0帧坐标系。同理假设VO输出的绝对位姿是

在没有误差的理想假设下，对应帧的两个位姿表达的物理意义是一样的，但是由于参考系不同两个矩阵是不相等的，无法直接比较。假设空间中一点P:

同时有：

由上述四个式子，推导得到：

由此得到将雷达坐标系中的绝对位姿转换到相机坐标系下的关系。

将上式中的“0”替换成“i-1”则变成不同传感器帧间位姿的转换关系：

来源：https://zhuanlan.zhihu.com/p/200996854