基于tensorrt-python实现pvnet在自定义数据集上的关键点ransac投票异常记录

​

问题描述

代码版本基于clean-pvnet，平台：nvidia orin nano，编程实现并运行通过后，出现估计位姿不准确的情况。排查原因，发现，mask预测正常，但是基于向量场关键点预测，出现异常：

正常的关键点应该是几百，经过反复排查后，发现是最后一步优化求解的，求解器使用错误，应该使用QR 分解，而非LU求解。

LU分解

LU分解是将一个矩阵分解成下三角矩阵（L）和上三角矩阵（U）的乘积。具体步骤如下：

步骤1：LU分解的存在性

对于一个n×n的非奇异矩阵A，若A的主子式（leading principal minors）都非零，则A可以进行LU分解，即存在一个下三角矩阵L和一个上三角矩阵U，使得A = LU。

步骤2：分解过程

设矩阵A为：
$$A=\left(\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ a_{21}& a_{22}& a_{23}\\ a_{31}& a_{32}& a_{33}\end{array}\right)$$

1. 令L和U为：
   $$L=\left(\begin{array}{ccc}1& 0& 0\\ l_{21}& 1& 0\\ l_{31}& l_{32}& 1\end{array}\right),U=\left(\begin{array}{ccc}{u}_{11}& u_{12}& u_{13}\\ 0& u_{22}& u_{23}\\ 0& 0& u_{33}\end{array}\right)$$

2. 通过A = LU展开，得到：
   $$\left(\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ a_{21}& a_{22}& a_{23}\\ a_{31}& a_{32}& a_{33}\end{array}\right)=\left(\begin{array}{ccc}1& 0& 0\\ l_{21}& 1& 0\\ l_{31}& l_{32}& 1\end{array}\right)\left(\begin{array}{ccc}{u}_{11}& u_{12}& u_{13}\\ 0& u_{22}& u_{23}\\ 0& 0& u_{33}\end{array}\right)$$

3. 解方程组得到L和U的元素：

   • $u_{11}=a_{11}$
   • $u_{12}=a_{12}$
   • $u_{13}=a_{13}$
   • $l_{21}=\frac{a_{21}}{u_{11}}$
   • $l_{31}=\frac{a_{31}}{u_{11}}$
   • $u_{22}=a_{22}-l_{21}{u}_{12}$
   • $u_{23}=a_{23}-l_{21}{u}_{13}$
   • $l_{32}=\frac{a_{32}-l_{31}{u}_{12}}{u_{22}}$
   • $u_{33}=a_{33}-l_{31}{u}_{13}-l_{32}{u}_{23}$

QR分解

QR分解是将一个矩阵分解成一个正交矩阵（Q）和一个上三角矩阵（R）的乘积。具体步骤如下：

步骤1：QR分解的存在性

对于任何一个m×n矩阵A（m≥n），都存在一个m×n的正交矩阵Q和一个n×n的上三角矩阵R，使得A = QR。

步骤2：Gram-Schmidt正交化

假设A的列向量为 { a 1 , a 2 , … , a n } \{a_1, a_2, \ldots, a_n\} {a1​,a2​,…,an​}，QR分解可以通过Gram-Schmidt正交化过程得到。

1. 计算第一个正交向量：
   $$q_1=\frac{a_1}{\Vert a_1\Vert }$$

2. 对于k = 2, 3, …, n，计算：
   $$q_k=a_k-\sum _{j=1}^{k-1}{\text{proj}}_{q_j}(a_k)$$
   其中${\text{proj}}_{q_j}(a_k)=\frac{a_k\cdot q_j}{q_j\cdot q_j}{q}_j$。

3. 归一化q_k：
   $$q_k=\frac{q_k}{\Vert q_k\Vert }$$

4. 得到正交矩阵Q：
   $$Q=\left(\begin{array}{cccc}{q}_1& q_2& \dots & q_n\end{array}\right)$$

5. 计算上三角矩阵R：
   $$R=\left(\begin{array}{cccc}{q}_1\cdot a_1& q_1\cdot a_2& \dots & q_1\cdot a_n\\ 0& q_2\cdot a_2& \dots & q_2\cdot a_n\\ ⋮& ⋮& \ddots & ⋮\\ 0& 0& \dots & q_n\cdot a_n\end{array}\right)$$

总结

• LU分解: 将矩阵A分解成L和U，通过逐步消去法得到，适用于方阵。
• QR分解: 将矩阵A分解成Q和R，通过Gram-Schmidt正交化得到，适用于任意矩阵，特别是正交矩阵Q在数值计算中具有较好的稳定性。