视觉SLAM14讲学习笔记-ch10

最新推荐文章于 2024-09-28 21:20:29 发布

YJD-Climb

最新推荐文章于 2024-09-28 21:20:29 发布

阅读量172

点赞数 2

文章标签：笔记

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/shuaibidebei/article/details/142305241

版权

本博客主要记录学习高翔老师视觉SLAM14讲的总结笔记，若有总结不对的地方，欢迎大家与我讨论。

一、滑动窗口滤波与优化

随着实际中的时间和空间不断扩大，BA会变成一个非常庞大的数值问题，所以应采用一些方法来控制BA的规模。其中常见的方法有选取关键帧，而关键帧的选取也主要分为滑动窗口法和共视图法。
滑动窗口法：保留当前时刻最近的N个关键帧，但在滑动过程中，窗口结构发生变化，主要问题在于如何处理新增关键帧和删除关键帧，不同的SLAM框架对该问题具有不同的做法。

二、位姿图

BA过程中，会发现路标点位置在迭代几次后，基本不发生变化，所以可以在优化几次后，不再优化，仅仅将它们当作相机位姿估计的约束。由此，可仅对轨迹进行优化，位姿节点之间的边表示两个相机的相对运动，即位姿图。
位姿图的节点表示相机位姿，边表示两个位姿节点之间的相对运动的估计，该估计可以来自于特征点法或直接法，也可以来自GPS或IMU预积分。
$T_{i}$ 和 $T_{j}$ 之间的一个运动 $\bigtriangleup T_{ij}$ ：

$\bigtriangleup T_{ij}=T_{i}^{-1}T_{j}$

$\Rightarrow \bigtriangleup \xi_{ij}=\xi_{i}^{-1}\circ \xi_{j}=\ln (T_{i}^{-1}T_{j})^{\vee }$

最小二乘误差：

$e_{ij}=\ln (T_{ij}^{-1}T_{i}^{-1}T_{j})^{\vee}$

求误差关于 $\xi_{i}$ 和 $\xi_{j}$ 的导数，用到了左扰动：

$\hat{e_{ij}}=\ln (T_{ij}^{-1}T_{j}^{-1}\exp((-\bigtriangleup \xi_{i})^{\wedge })\exp((\bigtriangleup \xi_{i})^{\wedge })T_{j})^{\vee}$

利用到了伴随性质，最后求得：

$\begin{matrix} \frac{\partial e_{ij}}{\partial \bigtriangleup \xi_{i}}=-J_{r}^{-1}(e_{ij})Ad(T_{j}^{-1}) \\ \frac{\partial e_{ij}}{\partial \bigtriangleup \xi_{j}}=J_{r}^{-1}(e_{ij})Ad(T_{j}^{-1}) \end{matrix}$

关注

2
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

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。