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

粗读 - 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, σ Φ \sigma_\Phi σΦ由梯度和逆深度cov计算而来。
σ r 2 = h ( δ A ) ⋅ σ Φ 2 \sigma_r^2 = h(\delta A) \cdot \sigma_\Phi ^2 σr2=h(δA)σΦ2

Differential Entropy
k维高斯分布X的differential Entropy
H ( X ) = 1 2 log ⁡ ( ( 2 π e ) k ∣ Σ X ∣ ) H(X) = \frac{1}{2} \log( (2 \pi e)^k |\Sigma_X|) H(X)=21log((2πe)kΣX)

Entropy Reduction
两个高斯分布之间的差别,用Entropy reduction衡量
Δ H ( X , Y ) = H ( X ) − H ( Y ) = 1 2 log ⁡ ∣ Σ X ∣ ∣ Σ Y ∣ \Delta H(X,Y) = H(X) - H(Y) = \frac{1}{2} \log \frac {|\Sigma_X|}{|\Sigma_Y|} ΔH(X,Y)=H(X)H(Y)=21logΣYΣX

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。
M I ( x , y ) = 1 2 log ⁡ ∣ Σ x x ∣ ∣ Σ x ∣ y ∣ MI(x,y) = \frac{1}{2} \log \frac {|\Sigma_{xx}|}{|\Sigma_{x|y}|} MI(x,y)=21logΣxyΣxx

基于Information选择point的思路

  1. 相机pose的信息矩阵 Λ x \Lambda_x Λx,有point的贡献 Δ p Λ x \Delta_p \Lambda_x ΔpΛx
    Λ x = Σ x − 1 = ∑ p ∈ P Δ p Λ x = ∑ p ∈ P J T σ r − 2 J \Lambda_x = \Sigma_x^{-1} = \sum_{p \in P}{\Delta_p \Lambda_x} = \sum_{p \in P}{J^T \sigma_r^{-2} J} Λx=Σx1=pPΔpΛx=pPJTσr2J
  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 Λ x a d j \Lambda_x^{adj} Λxadj决定:
    Δ p ∣ Λ x ∣ = ∣ Λ x + J T σ r − 2 J ∣ − ∣ Λ x ∣ = ∣ Λ x ∣ ∣ I + Λ x − 1 J T σ r − 2 J ∣ − ∣ Λ x ∣ = ∣ Λ x ∣ ( 1 + σ r − 2 J T Λ x − 1 J ) − ∣ Λ x ∣ = σ r − 2 J T Λ x a d j J \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 ΔpΛx=Λx+JTσr2JΛx=ΛxI+Λx1JTσr2JΛx=Λx(1+σr2JTΛx1J)Λx=σr2JTΛxadjJ
  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 , Λ x ) = Δ p ∣ Λ x ∣ + 1 c z ( z p − z ) 2 + 1 f(p,z,\Lambda_x) = \Delta_p |\Lambda_x| + \frac{1}{c_z(z_p-z)^2+1} f(p,z,Λx)=ΔpΛx+cz(zpz)2+11
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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