章节9探讨了基于BA的图优化方法，适用于精确优化相机位姿和地图点，但不适用于大规模实时场景。章节10引入了位姿图，它仅优化相机位姿，忽略了已收敛的路标点，通过固定路标点并优化轨迹来提高效率。位姿图的节点代表相机位姿，边表示相对运动估计，信息矩阵用于表示不确定性，其优化过程中假设传感器间独立，简化了计算复杂度。
ch9介绍了以BA为主的图优化，可以精确地优化每个相机位姿和地图点位置，但在更大场景无法实时化，ch10介绍一种简化的BA：位姿图 (pose graph)
位姿图的意义
每次后端优化中，大部分的都是原有的旧路标点，只有少量新路标点，如此优化几次之后，大部分的路标点的坐标已经收敛，没有必要对它们的坐标再进行优化。更好的做法是优化几次之后把它们的位置固定住，将它们作为位姿估计约束而不再作为路标点坐标的约束。
完全不管路标（直接使用初始估计坐标），只优化轨迹（相机位姿），这种图优化就是位姿图。
位姿图的优化
节点：相机位姿。
边：两个位姿节点之间的相对运动估计。
误差：
雅克比矩阵推导：（误差关于位姿 和
的导数）
具体推导过程参考: link1
信息矩阵 代表不确定性
信息矩阵是协方差矩阵的一个逆矩阵
信息矩阵在计算条件概率分布明显比协方差矩阵要方便，显然，协方差矩阵要求逆矩阵，所以时间复杂度是O(n^3)。
信息矩阵转置后不变，因为这是通常假定我们的传感器之间是独立的。所以中间两项可以合在一起。
参考：链接
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
