视觉VIO基础知识---滑动窗口

最新推荐文章于 2023-07-15 11:58:28 发布
最新推荐文章于 2023-07-15 11:58:28 发布
阅读量812 收藏 3
点赞数
文章标签： 自动驾驶
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/pj_find/article/details/106525401
版权
本文介绍了视觉惯性里程计（VIO）中滑动窗口的基本概念，包括最小二乘图表示的信息矩阵及其稀疏性，以及基于边际概率的滑动窗口算法的应用。还提及了滑动窗口中的FEJ算法，讨论了新旧测量信息可能导致的信息矩阵零空间变化对计算的影响。
摘要由CSDN通过智能技术生成

1. 最小二乘的图表示

在这里插入图片描述
信息矩阵得构成
在这里插入图片描述
信息矩阵的稀疏性
在这里插入图片描述
在这里插入图片描述

2. 基于边际概率的滑动窗口算法

在这里插入图片描述
在这里插入图片描述
例4
在这里插入图片描述

3. 滑动窗口中的FEJ算法<

最低0.47元/天 解锁文章
pj_find
关注
计算机视觉与深度学习 | SLAM国内外研究现状
尘世冰封的专栏
10-10 1458
随着计算机技术和电气电子技术的进步，机器人在制造业、医疗、教育、服务业等领域得到广泛应用。正如图1.1所示，机器人在汽车、电子、食品等制造业中得到广泛应用，可以完成物品装配、危险物的搬运与喷涂、精密焊接等工作，提高生产效率。同时减少人员受伤的风险，取代一些繁琐、重复、危险或需要高精度的工作，减少人力劳动，释放人力资源，提高产品质量。在医疗行业中，机器人可以用于手术、康复、护理、病房管理等方面，为患者提供更安全、精确和高效的医疗服务。在农业领域中，机器人可以用于作物种植、喷洒农药、采摘、运输等方面，提高农业生
从零开始学习VIO笔记 --- 第四讲：滑动窗口（基于滑动窗口算法的 VIO 系统：可观性和一致性）
CGJustDoIT的博客
08-13 681
从零开始学习VIO笔记 --- 第四讲：滑动窗口（基于滑动窗口算法的 VIO 系统：可观性和一致性） 一. 从高斯分布到信息矩阵1.1 高斯分布1.2 高斯分布和协方差矩阵1.3 信息矩阵二. marginalization (边缘化) 与 舒尔补一. 滑动窗口算法滑动窗口算法导致的问题滑动窗口中的 FEJ 算法 前一讲中有提到整个残差函数由三部分组成，其中第一部分就是滑动窗口的先验，这一讲主要就是讲如何在去除一帧信息的时候向整个残差添加约束。 一. 从高斯分布到信息矩阵 1.1 高斯分布 首先对SLA
【VIO】第3讲 基于滑动窗口算法的VIO
ASUNAchan的博客
11-03 466
VIO
VIO-基于边际概率的滑动窗口算法（坑-待填）
qq_43526137的博客
07-18 190
VIO-滑动窗口算法
从零开始学习VIO笔记 --- 第四讲：滑动窗口（基于滑动窗口算法的 VIO 系统：可观性和一致性）【作业】
CGJustDoIT的博客
08-13 533
从零开始学习VIO笔记 --- 第四讲：滑动窗口（基于滑动窗口算法的 VIO 系统：可观性和一致性）【作业】 一. 题目二. 解答2.1 第一题2.2 第二题2.2.1 代码 一. 题目 二. 解答 2.1 第一题 2.2 第二题 准备知识 单目BA优化，构建重投影误差函数， 误差项为 理论投影值减去实际测量值 误差关于相机位姿李代数的雅克比矩阵： 误差是由观测值减预测值定义，所以前面带了负号;若是预测减观测值 那么去掉负号 se(3) 的定义方式是旋转在前，平移在后时，只要把这个矩阵的前三
vio-视觉与IMU融合实现里程计(第四章）——基于滑动窗口算法的VIO系统：可观性和一致性
weixin_46417419的博客
05-25 506
第一节：从高斯分布到信息矩阵 SLAM为什么使用最小二乘？本讲来看它的由来。 ∑−1\sum^{-1}∑−1放到EKF中相当于噪声矩阵Q,R,表示每次观测的有多准。 第二节：舒尔补应用：边际概率，条件概率 第三节：滑动窗口算法：图优化基础，基于边际概率的滑动窗口算法 ...
【VIO笔记（学习VINS的必备基础）】第四讲 滑动窗口理论
Supdan的技术博客
10-25 2150
文章目录高斯分布与信息矩阵 系列教程来自某学院，侵权删除。 学习完这一系列课程再去看VINS才能做到不吃力，不然直接撸网上的各种VINS解析完全云里雾里-_-! 前一讲中有提到整个残差函数由三部分组成，其中第一部分就是滑动窗口的先验，这一讲主要就是讲如何在去除一帧信息的时候向整个残差添加约束。 高斯分布与信息矩阵 首先对SLAM问题进行一个概率建模，利用贝叶斯的理论。 考虑某个状态 ξ,以及一...
VINS-MONO算法总结-徐胜攀.pdf
最新发布
06-23
- **过程概述：**VIO模块是通过滑动窗口将视觉与惯性信息紧密耦合起来进行优化。 - **关键步骤：** - **视觉前端处理：**包括特征检测、跟踪等操作。 - **IMU预积分：**对IMU数据进行预积分处理，简化计算过程。 ...
SLAM学习-论文综述(二)
aaaaPIKACHU的博客
02-16 3850
SLAM学习-论文综述(二) 视觉SLAM
SLAM中的FEJ的介绍
08-10
SLAM中的FEJ介绍，相对详细的介绍了其中的原理说明。。
LVI-SAM：紧耦合的激光视觉惯导SLAM系统（Tixiao Shan新作，已开源）
qq_29462849的博客
04-24 955
论文地址：在公众号「计算机视觉工坊」，后台回复「LVI-SAM」，即可直接下载。我相信很多人对激光视觉惯导融合的系统都是这样设计的，但是最难的是把自己的想法保质保量的实现出来。我们做不到但...
VINS-Mono 代码解析五、滑动窗口
努力努力努力
11-02 2998
一、非线性最小二乘求解 二、滑动窗口算法 滑动窗口算法关键步骤可视化 滑动窗口算法中关键问题 VINS-Mono 中的滑动窗口算法 • 当滑动窗口中第二新的图像帧为关键帧,则 marg 最老的帧,以及上面的路标点。 • 当滑动窗口中第二新的图像帧不是关键帧,则丢弃这一帧上的视觉测量信息,IMU 预积分传给下一帧。 ...
VINS-MONO学习笔记 [基于滑动窗口的非线性优化]
weixin_45626706的博客
08-09 1659
目录1. 数据预处理 ceres中使用雅克比的形式(解析求导) 因为在vins中我们知道参数块的大小,所以我在vins中使用SizeCostFunction 第一步是新建一个类继承SizeCostFunction ceres::SizeCostFunction<1,1> : 前一个1:残差的维度; 后一个1:参数块的维度,因为这里只有一个参数块,所以只有一个1 第二步:定义完类之后需要重载Evaluate虚函数 double const* const* parameters对应各个参数块..
VINS滑动窗口边缘化操作
qq_40693072的博客
04-08 1005
VINS中滑动窗口的边缘化操作 VINS是针对滑动窗口中的关键帧进行BA，为了保证滑动窗口中的关键帧数量限制在窗口的最大数量之内（VINS中取的是十个关键帧），当有新的关键帧进来的时候需要对之前的关键帧丢掉，但由于老的关键帧可能还会与窗口中的关键帧存在相机的观测约束，不能直接丢掉，所以丢掉的策略是对老的关键帧进行边缘化操作。 边际概率 如上图所示，上表表示的是一个二维随机变量的分布表，横轴表示的是学生花在学习上的时间，单位为分钟，纵轴表示的是学生在测试中所取得的成绩，数字表示的是学生的分数，而表中的每一个
从概率角度分析VINS后端的优化和滑动窗
qq_35956766的博客
07-29 691
从概率角度分析VINS后端的优化和滑动窗前言基础知识内容IMU 的推断 前言 这篇文章的主要是内容是为了记录自己对于VINS后端的优化和滑动窗的学习和感悟，主要是作为记录来使用，而不是讲解。公式和图主要是以手绘来完成，来方便自己的记录而不是为了展示。 文章的由来，我之前在深蓝学习SLAM VINS 的时候，遇到了问题。 VINS 的后端是基于滑动窗的优化来进行的，在涉及到余项的处理上时。 仅仅通过...
vins里 滑窗的边缘化
weixin_48572752的博客
07-15 254
vins里的滑窗、边缘化
VINS-Mono中的边缘化与滑窗 (3)—— 边缘化倒数第二帧及滑窗优化
qq_42731705的博客
03-13 1259
注意：这一步骤就是滑窗操作的精髓所在！之前我们已经把本次非线性优化、边缘化最老帧的相关计算完成了，但是实际存储在滑窗中的状态变量还没有进行滑窗操作，所以上面依次交换前后两帧，将滑窗中的所有帧都向前移动了一个位置，然后滑窗中的最老帧被抛弃掉了。此时我们会发现滑窗中的最后一个位置变成了最老帧，显然这个是不正确的。实际上我们应该把滑窗中最后一个位置的状态清空，然后等待这下一帧图像的到来，继续处理。
手写VIO教程：第5节-滑动窗口算法详解与实践
本资源是一份关于视觉惯性导航(VIO)的详细教程，重点讲解了"从零开始手写vio"的第五节内容，即"后端优化实践：逐行手写求解器"。该部分由贺一家、高翔和崔华坤三位作者于2019年7月14日撰写，针对视觉里程估计(VSLAM)...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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