视觉SLAM笔记（53） g2o 操作后端优化

最新推荐文章于 2024-07-17 15:27:13 发布
最新推荐文章于 2024-07-17 15:27:13 发布
阅读量1.1w 收藏 6
点赞数 4
分类专栏： 视觉SLAM笔记 文章标签： g2o 求解 BA
本文为氢键H-H原创文章，未经允许请勿用于商业用途，转载请注明出处
本文链接：https://blog.csdn.net/qq_32618327/article/details/103095440
版权
本文介绍了在视觉SLAM中使用g2o进行Bundle Adjustment（BA）的后端优化过程。首先，详细描述了BA数据集的结构和参数设置，接着讲解如何利用g2o构建图模型，包括自定义节点和边，以及代价函数的实现。最后，讨论了优化设置，如下降策略和线性求解器的选择，并展示了优化前后的效果。
摘要由CSDN通过智能技术生成

视觉SLAM笔记（53） g2o 操作后端优化

1. BA 数据集

目录下的 common 文件夹是实验的数据集部分
它的布局如图所示
在这里插入图片描述
其中， flags 文件夹下的两个文件定义了 CommandArgs 这个类
该类是用来解析用户输入的参数，同时也对程序需要的参数提供默认值以及文档说明

BundleParams 这个类定义了 Bundle Adjustment 使用的所有参数，也调用了 CommandArgs 类型的变量
由于 CommandArgs 这个类的存在，可以直接对程序后面使用 -help 来查看程序
所有的参数含义，使用的方式可以参考该程序中 BundleParams 类型的写法

tools 是一些数学工具函数
相机和路标参数和 视觉SLAM笔记（52） BA 与图

了解本专栏 订阅专栏 解锁全文 超级会员免费看
氢键H-H
关注
专栏目录
订阅专栏
视觉SLAM笔记（54） Ceres 操作后端优化
氢键H-H
11-16 1万+
Ceres 求解 BA
视觉slam14讲之后端优化
入山砍柴郎
04-12 6013
     前端视觉里程计能给出一个短时间内的轨迹和地图，但不可避免的误差累积，这个地图在长时间内是不准确的。要想构建一个尺度，规模更大的优化问题，以考虑长时间内的最优轨迹和地图，这时后端优化就出现了。 1.滤波器模型      a. 马尔可夫性，当前状态只和上一个时刻有关。 P(Xk| Xk-1,X0, U1:k,Z1:k-1) ...
视觉SLAM后端优化
最新发布
xiner0114的博客
07-17 517
后端优化
《视觉SLAM十四讲》——后端优化
weixin_45476865的博客
04-26 882
1 BA与图优化 1.1 投影模型 世界坐标——》相机坐标 相机坐标——》归一化坐标 归一化坐标去畸变 根据内参模型计算像素坐标 1.2 代价函数 相机外参（R,t）和路标点位置p是待估参数，像素坐标z=（u,v）是观测量。。 根据路标点位置和相机外参可以计算得到预测的像素坐标z^ 计算残差e=z-z^ 进行非线性优化 代价函数 1.3 BA求解 非线性优化过程：从某个初值开始，不断寻找下降方向，来找到目标函数的最优解，目标函数如下： 式中F表示目标函数对相机姿态的偏导数，E表示目标函数对路标点位
SLAM | 视觉SLAM中的后端：后端优化算法与建图模板
AI算法修炼营的博客
02-26 3081
点击上方“AI算法修炼营”，选择加星标或“置顶”标题以下，全是干货前面的话前面系列一中我们介绍了，VSLAM 是利用多视图几何理论，根据相机拍摄的图像信息对相机进行定位并同时构建周围环境...
从零开始搭二维激光SLAM --- 基于g2o的后端优化的代码实现
李想的博客
11-15 3213
https://mp.weixin.qq.com/s?__biz=MzIxOTczOTM4NA==&mid=2247486858&idx=1&sn=ce458d5eb6b1ad11b065d71899e31a04&chksm=97d7e81da0a0610b1e3e12415b6de1501329920c3074ab5b48e759edbb33d264a73f1a9f9faf&scene=21#wechat_redirect
视觉SLAM十四讲学习笔记——第九讲 后端优化（1）
weixin_61294345的博客
11-25 2755
经过前端（视觉里程计）估计得到的轨迹和地图由于存在累计误差，在长时间内是不准确的。因此希望构建一个针对全局的更大规模的优化问题，得到最优的轨迹和地图，这里主要有两种解决思路： （1）基于马尔可夫性假设的卡尔曼滤波器：马氏性假设可以简单地理解为“当前时刻状态只与上一时刻有关”。针对SLAM问题（非线性）的卡尔曼滤波器给出了单次线性近似下的最大后验估计，或者说是优化过程中一次迭代的结果。 （2）非线性优化：非线性优化考虑了当前及之前所有时刻的状态，同时优化所有时刻的相机位姿以及各个特征点的空...
视觉SLAM笔记（56） 位姿图优化
热门推荐
氢键H-H
11-16 1万+
g2o 原生位姿图、李代数上的位姿图优化
学习笔记 --SLAM 优化器g2o
～勿据散客～的博客
12-12 1028
SLAM的后端通常有两种处理方法： 以扩展卡尔曼滤波（EKF）为代表的滤波方法； 优势：在计算资源受限、待估计量比较简单的状况下，EKF为表明的滤波方法比较有效，常常用在激光SLAM中。 缺点：存储量和状态量是平方增加关系，由于存储的是协方差矩阵，所以不适合大型场景。而如今基于视觉的SLAM方案，路标点（特征点）数据很大，滤波方法根本吃不消，因此此时滤波的方法效率很是低。 以图优化为代表的非线性优化方法。 g2o的基本类结构 从右下角往上走： 1、选择线性方程求解器 用于计算迭代过程当中最关键
激光SLAM后端优化方法
12-22
一种非常经典的SLAM后端优化方法，相比其他方法，该方法适合新手熟悉后端算法的流程。
【视觉SLAM入门】7.4.后端优化 --- 基于位姿图和基于因子图
Eric_Sober的博客
09-12 2141
本节介绍了后两个后端优化方法：位姿图和从贝叶斯网络演变而来的因子图对后端优化的做法，浅显易懂的从数学原理上进行了分析，便于读者我和的掌握的笔记，源于视觉SLAM十四讲后端2
视觉SLAM⑩后端Ⅱ(滑动窗口滤波和优化与位姿图)
qq_41694024的博客
05-25 3228
1.理解滑动窗口优化 2.理解位姿图优化 3.理解带IMU 紧耦合的优化
slam学习笔记4--后端之图优化
weixin_49239046的博客
02-19 1576
slam后端 g2o
使用 g2o 进行BA调整：优化相机位姿和三维点
DeepLearnerZxf的博客
03-15 810
g2o实现BA，提供代码与数据
SLAM--G2o实现BA优化
老邹的博客
07-12 3886
利用G2o实现BA优化—学习笔记 目录前言一、G2o简单例程二、利用G2o实现BA优化2.1 初始化G2o求解器2.2 添加顶点2.3 添加边2.4 优化2.5 获取优化的值2.6 保存为g2o文件三、优化后的程序参考链接 前言 使用G2o需要图论的知识。一般来说，要优化的参数就是顶点，边就是顶点之间的映射关系。 BA优化，即Bundle Adjustment，需要对相机姿态和特征点同时进行优化，以求得到最优的状态。 对于优化的参数： x=[ξ1ξ2...ξm∣p1p2...pn]T \pmb x=[\x
分别使用G2O库以及高斯牛顿法实现BA优化
weixin_45847290的博客
10-31 101
【代码】分别使用G2O库以及高斯牛顿法实现BA优化。
SLAM项目：从0开始，C++实现SLAM的后端优化，并在gazebo中可视化结果
weixin_43890835的博客
08-04 949
这篇文章通过C++来为我们前面实现的SLAM增加一个后端，让前端的位姿在这里得到优化，从而建立出更准确的地图。
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

氢键H-H

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