Estimator::relativePose

已于 2022-09-24 20:46:56 修改
阅读量279 收藏
点赞数
分类专栏： 从零开始学SLAM 文章标签： 计算机视觉
于 2022-09-13 16:21:08 首次发布
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_21950671/article/details/126828851
版权
Estimator::relativePose 用于判断两帧间的视差是否足够大，当匹配特征点超过二十个时计算平均误差。initialStructure() 函数通过sfm进行三维重建和PnP，结合IMU数据进行初始化。文章讨论了IMU和图像帧的时间对齐及数据处理策略，确保有效数据用于后续处理。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Estimator::relativePose

relative 判断是否产生足够的位移
用途：判断两帧之间的视差是否足够大

主要思路：若两帧之间的匹配特征点大于二十个，则计算他们的平均误差

涉及变量：

Matrix3d &relative_R：两帧之间的旋转

Vector3d &relative_T,：两帧之间的位移

int &l：暂时未知

Estimator::initialStructure()

bool Estimator::initialStructure()

用途：使用sfm对图像数据进行三维重建，并对所有帧进行pnp，最后和imu联合初始化

主要思路：首先计算速度方差来确定IMU的可观性，然后将f_manage中所有的feature保存到vector sfm_f中，然后判断是否产生足够位移来进行初始化，满足条件则进行sfm重建，最后将所有数据标记为关键帧进行pnp

涉及变量：

const map<int, vector<pair<int, Eigen::Matrix<double, 7, 1>>>> &a

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Extreme Relative Pose Estimation for RGB-D Scans via Scene Completion阅读笔记
heiyaheiya的博客
06-03 916
解决问题 现有的方法要求两个输入扫描之间有一定的重叠部分，才能进行姿态估计与配准。这篇文章主要解决极端场景下，比如没有重叠或者重叠较少的输入图片之间位姿估计的问题。 2.创新点 1.在场景补全和相对姿态估计模型中进行交替循环迭代计算。 2.提出一种结合光谱匹配（图匹配）和寻找鲁棒性的刚性拟合解的新成像点匹配算法。 3.将场景补全作为姿态估计的中间表示，而不是直接输出补全的场景...
VINS-Mono视觉初始化代码详解
jiweinanyi的博客
08-27 2175
摘要 视觉初始化的过程是至关重要的，如果在刚开始不能给出很好的位姿态估计，那么也就不能对IMU的参数进行精确的标定。这里就体现了多传感器融合的思想，当一个传感器的数据具有不确定性的时候，我们需要依赖与其他传感器进行降低不确定性。同理，当相机在弱纹理或者高动态场景下工作时，预期的SLAM算法能够根据IMU的数据补偿视觉不确定性带来的精度损失。 下面，我们对VINS-Mono中的视觉初始化部分的代码进...
[从零写VIO|第七节]——VINS-Mono代码精简版代码详解——初始化2视觉初始化(内容|代码)
乘风的博客
05-24 2027
接上一篇——外参标定的代码和内容的讲解，计算出旋转外参数qbcq_{bc}qbc​(对应代码中的ric)后，开始其他参数的初始化； 其代码在estimator.cpp中的Estimator::initialStructure()。
(Matlab)structure-from-motion-from-multiple-views复现踩坑！
meteor_0033的博客
06-21 1966
1. 错误一：未定义变量或函数helperEstimateRelativePose() 处理方法：此函数对应的.m文件在目录D:\ProgramFiles(x86)\MATLAB\R2018b\examples\vision\main中将此文件拷贝某一英文目录下，并添加此路径即可。 2.错误二：Match index exceeds the number of points 处理方法： 调试中发现： max(matches(:,2))= uint32 46782 max(matc...
VINS-Mono无ROS代码阅读（5）：初始化
weixin_44754915的博客
03-15 4586
在estiamtor.cpp中 参考：VINS-Mono 代码解析二、初始化 第3部分_贵在坚持，不忘初心的博客-CSDN博客 VINS-mono代码阅读 -- 初始化_半亩园的博客-CSDN博客 //【4】进行初始化，一般初始化只进行一次； if (solver_flag == INITIAL) { //frame_count是滑动窗口中图像帧的数量，一开始初始化为0，滑动窗口总帧数WINDOW_SIZE=10 if (frame_count
VINS-Mono源码解析（四）后端: Initialization
roboto
07-25 5796
VINS-Mono源码解析（四）后端: Initialization整个Initialization部分对应Estimator::initialStructure()函数, 包括Vision-only SFM和Visual Inertial Alignment两部分, 它们的实现分别在GlobalSFM类和VisualIMUAlignment()函数中. initialStructure()函数的
vins estimator ProcessImage
xiaoma_bk的博客
06-06 609
vins 接收到图片特征后的操作，滑窗优化都有
VINS-Mono 代码详细解读——初始化1：视觉SFM详解 processImage（）+initialStructure（）
try_again_later的博客
03-05 5335
1.检查两帧的视差判断是否为关键帧f_manager.addFeatureCheckParallax（）在VINS-Mono 代码详细解读——feature_manager.cpp中已经解释 2.IMU预积分IntegrationBase 在VINS-Mono 代码详细解读——IMU离散中值预积分 中解释 3.在线标定外参CalibrationExRotation 在VINS-Mono 代码详细解读——基础储备：在线Cam到IMU的外参标定 InitialEXRotation类 中已经解释
VINS-Mono工程笔记（八）：纯视觉SFM及视觉IMU对齐
最新发布
zoufeizhiba的博客
12-20 1286
纯视觉SFM及视觉IMU对齐
VINS 估计器之结构初始化
weixin_34347651的博客
04-19 419
为什么要初始化 非线性VINS估计器的性能对于初始的速度，尺度，重力向量，空间点3D位置，以及外参等非常敏感。在很多场合中，能做到相机和IMU即插即用，线上自动校准与初始化，将会给用户带来极大的方便性。VINS里面分四步进行，第一个就是上次讲的旋转外参校准，第二个就是找到某帧作为系统初始化原点，计算3D地图点，第三就是将相机坐标系转到IMU坐标系中，第四就是相机与IMU对齐，包括IMU零偏初始化，...
structure-from-motion-from-multiple-views复现(Matlab)
baidu_41383636的博客
04-02 1311
structure-from-motion-from-multiple-views复现 示例复现： 输入： 示例图像序列： 输出：显示3D点 显示密集点云 原示例结果： 显示3D点 显示密集点云 小米9se手机数据三维重建 1） 图像标定：应用程序中使用Camera Calibration进行标定（平均重投影误差尽量小于0.5） 2） 标定后导出标定结果，输入标定后的摄像头拍摄...
关联规则——模型评估(支持度support和置信度confidence)
qingmuluoyang的博客
10-16 258
模型评估；支持度；置信度
相对位姿估计
hxyzs的博客
05-29 1252
P的位置PXYZT相机内参k1​相机内参k2​p1​和p2​s1​p1​K1​Ps2​p2​K2​RPt**公式二：**归一化平面上的坐标x1​K1−1​p1​x2​K2−1​p2x2​Rx1​ttx2​tRx1​x2T​tx2​x2T​tRx1​x2T​tRx1​0K2−1​p2​TtRK1。
vins 解读_VINS-Mono 代码详细解读6——视觉SFM详解 initialStructure（）
weixin_29143339的博客
01-07 1351
视觉部分流程图该图来自于极品巧克力的博客Estimator类本文将重点讲解ProcessImage()函数 1.检查两帧的视差判断是否为关键帧f_manager.addFeatureCheckParallax（）在 VINS-Mono 代码详细解读——feature_manager.cpp中已经解释2.IMU预积分 IntegrationBase 在 VINS-Mono 代码详细解读——IMU离...
机器人学——位置与姿态描述
热门推荐
weixin_46025237的博客
10-24 2万+
一、位置与姿态描述 1.位姿(Pose) 物体（刚体）自身坐标系的位置和方向，图形上表示为一组坐标轴，如坐标系{B}及其坐标轴xBx_BxB​和yBy_ByB​ 2.相对位姿(relative pose) 相对于一个参考坐标系A的某个坐标系B的相对位姿用AξB{}^A\xi_BAξB​（ksi）表示，描述了坐标系{A}经过平移和旋转转化为{B}的动作。若没有上标A，表示相对于世界坐标系O。 空间中点P的位置分别在坐标系{A}和{B}中的描述满足：AP  =  AξB⋅BP{}^AP\;=\;{}^A\x
VINS-Mono学习（二）——松耦合初始化
qq_38167930的博客
08-01 1905
初始化：如何当好一个红娘？ 图解SfM 视觉和IMU的羁绊 怎么知道发生了闭环？ 位姿图优化与滑窗优化都为哪般？ 闭环优化：拉扯橡皮条 1、初始化：如何当好一个红娘 2、图解SfM 初始化代码在estimator.cpp文件的processImage()函数中，具体在第三个步骤中完成VIO的初始化，代码如下： // Step 3： VIO初始化 if( ESTIMATE_EXTRINSIC != 2 && (he...
VINS-MONO 状态估计器estimator代码解读
a1059682127的博客
09-28 1606
主程序入口在estimator_node.cpp的main函数中： 1、ros::init(argc, argv, "vins_estimator")； 2、readParameters(n);读取参数 3、估计器设置参数estimator.setParameter() 包括相机IMU外参tic和ric 4、注册visualization.cpp中创建的发布器registerPub(n...
VINS-Mono代码解读——视觉惯性联合初始化 initialStructure sfm
Manii
04-02 1万+
本文主要介绍VINS状态估计器模块（estimator）中的初始化过程。由于单目紧耦合的VIO是一个高度非线性系统，单目视觉没有尺度信息，IMU的测量又存在偏置误差，如果没有良好的初始值很难将这两种测量结果有机融合，因而初始化是VIO最脆弱的步骤。 VINS采用了视觉和IMU的松耦合初始化方案，首先用从运动恢复结构（SFM）得到纯视觉系统的初始化，即滑动窗口中所有帧的位姿和所有路标点的3d位置，然后将其与IMU预积分结果进行对齐，恢复尺度因子、重力、陀螺仪偏置和每一帧的速度。
【VINS-Mono】Estimator::initialStructure
小秋 AI SLAM 入门实战教程
09-24 1078
getMeasurements函数主要工作就是将接收到的IMU数据和相关的图像数据进行“时间上的对齐”，并将对齐的IMU数据和图像数据进行组合供后边IMU和图像数据处理的时候使用。IMU最旧的时间戳imu_buf.front() 大于 图像帧最旧的时间戳feature_buf.front()+ td，最开始只有图像，过了很久来了IMU，但是第一帧图像太旧了，要丢弃第一帧图像。用途：使用sfm对图像数据进行三维重建，并对所有帧进行pnp，最后和imu联合初始化。
bayesian parameter estimator:
02-03
贝叶斯参数估计器是一种在贝叶斯统计理论框架下进行参数估计的方法。在传统频率统计中，参数估计通常是通过最大似然估计或最小均方误差估计来进行的。而在贝叶斯统计中，我们将参数看作是一个随机变量，其具有先验概率分布。当我们获得了一些观测数据后，我们可以通过贝叶斯定理来更新参数的后验概率分布，并根据后验分布来估计参数的值。 贝叶斯参数估计器的核心思想是将观测数据纳入先验信息中，通过贝叶斯定理计算参数的后验概率分布，并根据后验分布来作出参数估计。贝叶斯参数估计器相比于传统频率统计方法有几个优点： 1. 能够容易地将先验信息融入参数估计过程中，这对于缺乏大量观测数据的情况下特别有用。 2. 能够提供参数估计的置信区间，这可以帮助我们更好地理解参数估计的不确定性。 3. 能够在不同现实场景中提供更加通用且健壮的参数估计方法。 但是贝叶斯参数估计器也有一些限制，其中最主要的是需要具有合适的先验分布，并且对于不同的先验分布可能会得到不同的后验分布和参数估计结果。因此，选择合适的先验分布是贝叶斯参数估计中的一个重要问题。 总的来说，贝叶斯参数估计器是一种灵活且强大的参数估计方法，它能够将先验信息纳入参数估计过程中，并且能够提供参数估计的不确定性信息。在实际应用中，我们可以根据具体问题的特点来选择适合的参数估计方法，以获得更加准确和可靠的参数估计结果。
评论
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

小秋slam实战

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