视觉VIO--5.LM和Dogleg的对比与改进

最新推荐文章于 2023-02-10 17:37:18 发布
最新推荐文章于 2023-02-10 17:37:18 发布
阅读量4k 收藏 10
点赞数 3
分类专栏： 视觉SLAM
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/qq_16481211/article/details/101120651
版权
视觉SLAM 专栏收录该内容
26 篇文章 451 订阅 ¥9.90 ¥99.00
订阅专栏

题目1

a. 选用更优的LM策略，使得VINS-Mono在MH-05数据集上收敛速度更快或者精度更高
b. 实现dog-leg算法替换LM算法，并测试替换后的VINS-Mono在MH-05上算法精度

LM算法流程图

初始化LM参数
normal equation求解
更新阻尼因子

在这里插入图片描述
解体思路：滑动优化过程中，特别是滑动窗中关键帧数量稳定时，margin掉一帧和新增一帧，优化问题的结构不会产生很大变化，因此上次优化结果可以利用起来用于下一次优化。

具体做法：

  • 代码中记录优化中最后一次good step的lambda值和chi值
  • 新的优化问题，若初始chi值比记录的上次优化结果chi值小，说明上一次结果也是当前问题的初始线性-- 化点）是很好的初值，此时取上一次优化结果的lambda值的一半作为当前优化问题的初始lambda值，使其更接近高斯牛顿法。
  • 若新优化问题chi值更大，说明初始值策略差，取记录的lambda值的两倍作为新问题初始lambda值，使其更新接近最速下降法。

这个方法通过利用历史优化结果来初始化当前问题，在一开始就找到更好的收敛方向，减少向量优值迭代次数，既有更

了解本专栏 订阅专栏 解锁全文
南山二毛
关注
  • 3
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
订阅专栏
机器人路径规划算法
二毛的博客
09-25 1万+
参考：https://v.qq.com/x/page/n0506whksxs.html
使用KinectV2制作自己的数据集
二毛的博客
12-25 1万+
在跑slam时，每次都要拿着相机测试，比较麻烦，而且在跑稠密建图时相邻帧之间的耗时很久，不适合实时测试。需要将整个轨迹的照片保存下来离线运行。kinectV2深度相机可以生成RGB彩图和深度图，我们可以通过采集照片生成类似于TUM形式的数据集。 TUM数据集主要包括彩图文件夹，深度图文件夹，rgb.txt，depth.txt，associate.txt。 在运行slam时，先读取associate...
(1分钟突击面试) 高斯牛顿、LM、Dogleg后端优化算法
努力coding
02-10 1097
LM方法是信赖域的方法，主要是为了解决JTJ的问题，就是说可能JTJ不可逆，那么加上一个莱姆大*单位阵以后 相当于前面介绍的岭回归，那么这就保证了求逆运算。以上三个算法的总结，DogLeg方法是首选的比较好用的方法，然后LM和Dog-Leg方法都比高斯牛顿法要好。说明信赖域方法要好于线搜索的方法。这里有一个小的知识点回顾，就是线性化的话在slam中表达的意义是求雅可比，出自vins的辅导课程中。这里的u起着阻尼的作用，就是说步长大了的话就放小点，步长小的话就放大点。添加图片注释，不超过 140 字（可选）
迭代求解最优化问题——信赖域方法
Faded
12-26 1万+
信赖域方法前面提到了Line Search算法分为两步，首先确定方向，然后确定步长，实际上是假设近似模型在某一方向上可以较好的代表真实模型。Trust region算法则在此基础上，假设在一个选定的可信赖区域中，可以选择一个近似模型较好的代表真实模型，在此基础上，计算迭代增量。信赖域方法的一般形式由上面的表述我们可以得到信赖域方法的几个要素 1. 近似模型mkm_k 2. 可信赖区域Ωk={x∈
信赖域狗腿（dogleg）方法
LSEC小陆的博客
06-03 2万+
信赖域狗腿方法 信赖域方法（Trust-region methods）又称为TR方法，它是一种最优化方法，能够保证最优化方法总体收敛。现今，信赖域算法广泛应用于应用数学、物理、化学、工程学、计算机科学、生物学与医学等学科。相信在不远将来，信赖域方法会在更广泛多样的领域有着更深远的的发展。本文简单介绍信赖域狗腿（dogleg）方法，希望能为其他专业诸如机器学习的同学在使用优化工具时提供一个参...
Python库 | spark_vio_evaluation-0.2.tar.gz
04-15
资源分类：Python库 所属语言：Python 资源全名：spark_vio_evaluation-0.2.tar.gz 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
launchAndYamluseInMsckf-vio.zip
04-24
realsenseD435i用于msckf-vio的配置文件，在室外场景中可行成功运行，里面imu有些参数是借用的vins-fusion的，双目相机参数主要通过标定得到，部分参数有进行调整
非线性最小二乘法之Gauss Newton、L-M、Dog-Leg
热门推荐
STI10hy的博客
10-05 3万+
非线性最小二乘法之Gauss Newton、L-M、Dog-Leg最快下降法假设hTF′(x)<0h^TF'(x) < 0，则h是F(x)F(x)下降方向，即对于任意足够小的α>0\alpha > 0，都满足F(x+αh)<F(x)F(x+ \alpha h) < F(x)。 现在讨论F(x)F(x)沿着h方向下降快慢： limα→0F(x)−F(x+αh)α∥h∥=−1∥h∥hTF′(x)=−
【算法系列】非线性最小二乘-列文伯格马夸尔和狗腿算法
qq_52785580的博客
11-19 1701
SLAM问题常规的解决思路有两种，一种是基于滤波器的状态估计，围绕着卡尔曼滤波展开；另一种则是基于图论（因子图）的状态估计，将SLAM问题建模为最小二乘问题，而且一般是非线性最小二乘估计去求解。 非线性最小二乘有多种解法，本篇博客介绍列文伯格-马夸尔算法及其变种（狗腿算法）求解最小二乘问题。
最优化算法之牛顿法、高斯-牛顿法、LM算法
shandianfengfan的博客
10-17 8665
上一篇文章中主要讲解了最优化算法中的梯度下降法，类似的算法还有牛顿法、高斯-牛顿法以及LM算法等，都属于多轮迭代中一步一步逼近最优解的算法，本文首先从数学的角度解释这些算法的原理与联系，...
字节跳动三维视觉 实习生（AR方向）
w风的季节-博客
12-19 1327
字节跳动三维视觉（一面） 1. 为什么使用分解后的最后一列是的解？ 答：推导过程如下： 可以求取的最小二乘解，因此问题转换为，其中 利用SVD将A进行分解：，其中U，V为单位正交矩阵，为奇异值的对角矩阵。 则，等式两边同乘可得，，（原因在于U为单位正交矩阵）。 则问题变为：，取，可得 由于公式较多，因此采用手写的形式： 2. 牛顿法、高斯牛顿法、LM法、DogLeg方法的区别？ 答： 最速下降法的本质： 非线性优化的本质是：如何寻找合适的步长和梯度下降方向。 下...
GN,LM, DogLeg
兮语飞扬
08-14 2158
非线性最小二乘法之Gauss Newton、L-M、Dog-Leg trust region(dogleg) code LM
Dogleg算法——信赖域算法
11-28
信赖域算法中Dogleg算法的demo，被优化的函数很简单，不过算法框架还是正确的
Kimera-VIO-ROS:Kimera-VIO 的 ROS 包装器
08-04
Kimera-VIO-ROS ROS 包装器。 出版物 如果您觉得这个图书馆有用，我们恳请您引用我们的论文： A. Rosinol、M. Abate、Y. Chang、L. Carlone、 。 IEEE 国际会议。 机器人与自动化 (ICRA)，2020 年 。 @InProceedings { Rosinol20icra-Kimera , title = { Kimera: an Open-Source Library for Real-Time Metric-Semantic Localization and Mapping } , author = { Rosinol, Antoni and Abate, Marcus and Chang, Yun and Carlone, Luca } , year = { 2020 } , booktitle = { I
视觉SLAM理论与实践进阶-手写VIO-6
01-20
视觉SLAM理论与实践进阶-手写VIO-6 1) 证明公式(15) 2) 完成特征点三角化代码 代码如下： // 遍历所有的观测数据，并三角化 Eigen::Vector3d P_est; // 结果保存到这个变量 P_est.setZero(); /* your code begin */ auto loop_times = camera_pose.size()-start_frame_id; Eigen::MatrixXd D((loop_times)*2,4); for(int j=0;j<loop_times;++j) { Eigen::MatrixXd T_tmp(3,4);
GN-LM-DOG_LEG算法论文
11-22
METHODS FOR NON-LINEAR LEAST SQUARES PROBLEMS，GN-LM-DOG_LEG算法每步详解
code-vins-sys.zip
最新发布
01-19
code-vins-sys.zip
运行VINS-Mono没有轨迹的原因
二毛的博客
12-07 4879
1 代码原因 最近这一周（2018年12月1日起）测试估计很多人都会遇到轨迹没有出现，vins_estimator报错的问题。 报错如下图所示。 解决办法：https://github.com/HKUST-Aerial-Robotics/VINS-Mono/issues/250 换一个之前版本的(18年8月17日那次提交的可以用)。 在VINS-Mono目录下执行 git checkout b63...
ORB_SLAM2--计算每一个回环候选关键帧与当前关键帧之间的相似矩阵
二毛的博客
11-02 4252
在确认回环存在之后，需要计算出每一个回环候选关键帧与当前关键帧之间的相似矩阵[sR|t]。对于双目和RGBD来说s=1. step1 初始化当前帧和候选关键帧的相似矩阵求解器,计算匹配地图点,取消回环关键帧标志变量的赋初值。 通过BOW进行匹配，如果改帧的匹配特征点少于20，则直接删除。 for(int i=0; i&amp;lt;nInitialCandidates; i++) { Key...
xtdrone中视觉惯性里程计（VIO） VINS-Fusion
06-08
VINS-Fusion是一种基于视觉和惯性测量单元（IMU）的视觉惯性里程计（VIO）算法。在xtdrone中，VINS-Fusion通过融合相机和IMU的数据，可以实现高精度的无人机姿态估计和位置定位。该算法结合了视觉的高精度和IMU的低...

“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 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

打赏作者

南山二毛

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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