RANSAC在SLAM中的作用

一、概念及算法框架

  RANSAC是“RANdom SAmple Consensus（随机抽样一致）”的缩写。它可以从一组包含“局外点”的观测数据集中，通过迭代方式估计数学模型的参数。它是一种不确定的算法——它有一定的概率得出一个合理的结果；为了提高概率必须提高迭代次数。
RANSAC的基本假设是：
（1）数据由“局内点”组成，例如：数据的分布可以用一些模型参数来解释；
（2）“局外点”是不能适应该模型的数据；
（3）除此之外的数据属于噪声。

算法框架：
1.首先先随机假设一小组局内点为初始值。然后用此局内点拟合一个模型，此模型适应于假设的局内点，所有的未知参数都能从假设的局内点计算得出。
2.用1中得到的模型去测试所有的其它数据，如果某个点适用于估计的模型，认为它也是局内点，将局内点扩充。
3.如果有足够多的点被归类为假设的局内点，那么估计的模型就足够合理。
4.然后，用所有假设的局内点去重新估计模型，因为此模型仅仅是在初始的假设的局内点估计的，后续有扩充后，需要更新。
5.最后，通过估计局内点与模型的错误率来评估模型。
整个这个过程为迭代一次，此过程被重复执行固定的次数，（每次都要重现采样，估计模型）每次产生的模型有两个结局：
1、要么因为局内点太少，还不如上一次的模型，而被舍弃，
2、要么因为比现有的模型更好而被选用。

二、SLAM中的相机位姿估计

  假设有一对2D点，可以通过对极几何恢复出相机的位姿。

对极几何约束为
x1和x2都是归一化平面上的坐标（不是像素坐标），
定义本质矩阵E，
则相机位姿估计的问题变成了以下两步：
1、根据匹配对的像素位置求出E或者F。
2、根据E或者F求取R和t。
E或F的求解通常使用八点法。

  除了本质矩阵和基础矩阵，二视图几何中还存在单应矩阵，它描述了两个平面之间的映射关系，若场景中的特征点都落在同一平面上，则可以通过单应矩阵来估计相机的位姿。通过单应矩阵，可以直接得到图像坐标之间的关系。

其中：

同样可以先根据匹配点计算 H，然后将它分解以计算旋转和平移。

三、RANSAC的应用

  RANSAC是一种算法，用来辅助求解或者使求解精度更高的方法，并不是直接能够求解位姿，它是一种思想。就是说解决问题的模型以及约束是问题本来就有的。RANSAC只是去除了一些错误匹配或者噪声（称为局外点）。

1、利用RANSAC计算基础矩阵

2、利用RANSAC计算单应矩阵

参考：https://blog.csdn.net/robinhjwy/article/details/79174914
《视觉SLAM十四讲》
https://blog.csdn.net/weixin_46877907/article/details/113881034
http://www.voidcn.com/article/p-anvzllki-dx.html