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)k∣ΣX∣)
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)=21log∣ΣY∣∣ΣX∣
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)=21log∣Σx∣y∣∣Σxx∣
基于Information选择point的思路
- 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=Σx−1=p∈P∑ΔpΛx=p∈P∑JTσr−2J - 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 Δp∣Λx∣=∣Λx+JTσr−2J∣−∣Λx∣=∣Λx∣∣I+Λx−1JTσr−2J∣−∣Λx∣=∣Λx∣(1+σr−2JTΛx−1J)−∣Λx∣=σr−2JTΛxadjJ - 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)=Δp∣Λx∣+cz(zp−z)2+11