Roughly Paper Reading - Information-Driven Direct RGB-D Odometry

基本信息

– 论文
– Projcet page
– code 暂无

Main contribution

• 为RGB-D SLAM，基于information选择tracked points，最少可以只用24个点，达到SotA效果。

其他降资源方式

• graph reduction，同样基于information。这些一般只reduce pose，也有一篇reduce pose+landmark。

问题：没有实验介绍，哪些点的information是比较大的

背景知识

residual covariance考虑了来自geometry和appearance的影响。其中h表示几何位置和朝向带来的appearance变化，${\sigma }_{\Phi }$由梯度和逆深度cov计算而来。
$${\sigma }_r^2=h(\delta A)\cdot {\sigma }_{\Phi }^2$$

Differential Entropy
k维高斯分布X的differential Entropy
$$H(X)=\frac{1}{2}\log ((2\pi e{)}^k|{\Sigma }_X|)$$

Entropy Reduction
两个高斯分布之间的差别，用Entropy reduction衡量
$$\Delta H(X,Y)=H(X)-H(Y)=\frac{1}{2}\log \frac{|{\Sigma }_X|}{|{\Sigma }_Y|}$$

Mutual Information
边缘概率和条件概率的Entropy reduction。互信息越大，越能从一个变量，减小另一个变量的不确定性。
$$MI(x,y)=\frac{1}{2}\log \frac{|{\Sigma }_{xx}|}{|{\Sigma }_{x|y}|}$$

基于Information选择point的思路

1. 相机pose的信息矩阵${\Lambda }_x$，有point的贡献${\Delta }_p{\Lambda }_x$。
   $${\Lambda }_x={\Sigma }_x^{-1}=\sum _{p\in P}{\Delta }_p{\Lambda }_x=\sum _{p\in P}{J}^T{\sigma }_r^{-2}J$$
2. 信息矩阵行列式也有point的贡献，某个点p的贡献由jacobian和adjoint information ${\Lambda }_x^{adj}$决定：
   $$\begin{gathered} {\Delta }_p|{\Lambda }_x|=|{\Lambda }_x+J^T{\sigma }_r^{-2}J|-|{\Lambda }_x| \\ =|{\Lambda }_x||I+{\Lambda }_x^{-1}{J}^T{\sigma }_r^{-2}J|-|{\Lambda }_x| \\ =|{\Lambda }_x|(1+{\sigma }_r^{-2}{J}^T{\Lambda }_x^{-1}J)-|{\Lambda }_x| \\ ={\sigma }_r^{-2}{J}^T{\Lambda }_x^{adj}J \end{gathered}$$
3. 迭代地选择最大化“信息+分布“的选择函数。cz是可调参数，z从图像边缘逐渐选到中心
   $$f(p,z,{\Lambda }_x)={\Delta }_p|{\Lambda }_x|+\frac{1}{c_z(z_p-z{)}^2+1}$$