图优化或者位姿图优化和因子图是两个东西，区分清楚

最新推荐文章于 2025-02-07 17:41:27 发布
最新推荐文章于 2025-02-07 17:41:27 发布
阅读量5.4k 收藏 14
点赞数 2
分类专栏： 无人机-SLAM-理论 最优化理论
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/sinat_16643223/article/details/119858423
版权

图优化或者位姿图优化和因子图是两个东西，区分清楚，别看着名字都是图，以为是一个东西。

https://blog.csdn.net/sinat_16643223/article/details/119850498

图优化 位姿图，是一个东西，和因子图不是一个东西

图优化里面每个点都是位姿点嘛，所以也叫位姿图嘛，所以我们SLAM进行的图优化就是位姿图的优化

下面拍自《视觉SLAM十四讲》P270

第5.2章 一文彻底学会SLAM优化库之G20
行知SLAM
10-15 557
SLAM的后端一般分为两种处理方法，一种是以扩展卡尔曼滤波（EKF）为代表的滤波方法，一种是以图优化为代表的非线性优化方法。不过，目前SLAM研究的主流热点几乎都是基于图优化的。
ORB-SLAM2算法9之图像帧Frame
重点记录机器人和自动驾驶相关领域的技术，尤其是计算机视觉，视觉SLAM等，不仅有前言文献或必备算法的学习，也会有实际应用的点滴经验
08-20 619
图像帧Frame类中主要包含设置相机参数、利用双目计算深度及特征点反投影到3D地图点等函数。
因子图文献阅读总结.pdf
12-09
因子图入门学习介绍，本文主要回答以下问题： 1）因子图是什么？基本原理？ 2）主要运用在哪几方面，优缺？ 3）论文中是如何运用因子图做改进的？
因子图优化和图优化区别
HJQD777的博客
11-16 552
它将所有的位姿点和观测数据构建成一个图，然后通过优化算法对整个图进行全局优化。这种方法适用于静态环境，但由于需要对整个图进行优化，计算量较大，处理速度较慢。它将SLAM问题表示为一个因子图，其中节点表示变量（如相机位姿和路标），边表示因子（如观测和运动约束）。因子图优化的核心思想是保留中间计算结果，每次加入新的观测或运动数据时，只对新增部分进行优化，而不需要重新计算整个图。具体来说，因子图优化通过构建误差模型和协方差矩阵，使用第三方库（如GTSAM）进行因子的添加、误差函数的构建和优化求解。
图优化及因子图优化
weixin_64184244的博客
02-07 1289
可以融合不同类型的传感器（IMU、GPS、LiDAR）代替普通的图结构，提供了更强的建模能力。，但不能很好地融合 IMU、GPS。：适用于大规模 SLAM 问题。因子图优化（FGO）是。，优化整个机器人轨迹。：因子图比普通图优化。
SLAM后端：因子图优化
ljtx200888的博客
02-27 9964
（一）贝叶斯网络
SLAM8-后端的其他方法，BA与图优化，Pose Graph优化的理论与公式详解、因子图优化
Summer_star_summer的博客
07-17 2704
1、BA方法 Bundle Adjustment翻译过来是“光束调整”，意思是每个特征反射的光束，通过调整它们的空间位置和相机姿态，使它们都汇聚到相机光心，这个过程叫BA。 假定世界坐标系下的点p,通过K,T之后转换为了像素坐标，把这个过程用方程描述为z=h(x,y)其中x是位姿T，y是路标点p，误差函数写为： 通过同时把T,P作为优化量来进行调整，对误差函数进行求解，就是所谓的BA 2、BA的求解 由于误差函数不是线性的，所以我们想到用增量△x的方法，逐步迭代。当给误差函数一个增量△x时，函数变为：
图优化，因子图就是贝叶斯图。
诗筱涵的博客
04-04 1759
图优化，因子图就是贝叶斯图。
【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 2527
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
今天进度到了第十一讲的因子图优化，有个库需要安装
weixin_39323526的博客
09-21 1072
https://bitbucket.org/gtborg/gtsam.git 马之，现在正在安装，晚上下班了以后再试试
因子图/位姿图/后端优化
格物致知
05-03 140
SLAM中位姿估计的图优化方法比较
基于图割优化的多平面重建视觉 SLAM（ISMAR2021）
qq_29462849的博客
08-22 624
本文来自于AR领域最著名的学术会议ISMAR，结合了之前介绍过的图割理论。作者提出了一种语义平面 SLAM 系统，该系统使用来自实例平面分割网络的线索来改进位姿估计和映射。虽然主流方法是使...
目标检测YOLO实战应用案例100讲-基于YOLOv5的目标检测与6D位姿估计算法研究
qq_36130719的博客
07-02 3136
目前，机器人在各个领域应用广泛，工厂车间中有工件搬运机器人，医院中有语 音指导机器人，在北京冬奥会上，有做咖啡机器人、防疫机器人等。这些机器人能够 正常运作的关键就是机器视觉技术，它充当着机器人的“眼睛”，通过模拟人体，利用 视觉传感器系统去识别物体的颜色、纹理、位置等信息，然后将这些信息通过算法进 行处理从而实现对目标物体的识别、检测与定位。因此机器视觉的本质就是用机器来 模拟人的视觉感官，去处理事情，使机器更加的智能化、现代化和自动化。
Paper Reading——MoreFusion: Multi-object Reasoning for 6D Pose Estimation from Volume基于体素融合的多目标6D位姿估计
理想三旬
11-22 1175
摘要 机器人和其他智能设备需要从视觉系统中获得高效的基于目标对象的场景表示，以进行接触、遮挡等物理特性的推理。已知的精确目标模型在未知结构的非参数化重建中起着十分重要的作用。我们提出了一个系统，该系统可以实时估计多视角场景中接触和遮挡的多个已知对象的精确位姿。我们的方法从单个RGB-D视图中估计3D对象位姿，当相机移动时，积累来自多个视图的位姿估计和非参数占用信息，并执行联合优化以对接触的多个接触目标进行一致非交叉的位姿估计。我们在富有挑战性的YCB-Video数据集上通过实验验证了我们方法的准确性和鲁棒性
SLAM基础-因子图优化和gtsam应用
jjjqqq123321的博客
03-15 6297
SLAM基础-因子图优化和gtsam应用
经典文献阅读之--GraphGNSSLib(因子图GNSS优化)
lovely_yoshino的博客
03-06 1万+
之前我们看了许多VIO或者LIO的工作，而我们也需要关注在整个流程中GNSS的作用，我们知道GNSS自主系统提供全球参考定位的非常流行的手段之一。然而，信号反射与建筑物遮挡导致GNSS定位性能在城市峡谷中受到很大挑战。鉴于GNSS测量高度依赖环境且与时间有关，传统的基于滤波的GNSS定位方法无法同时探索历史测量之间的时间相关性。因此，基于滤波的估计器对突的异常测量值很敏感。本文《》提出了一种基于因子图的GNSS定位与实时差分定位（RTK）公式。
SLAM中的因子图
weixin_37709708的博客
09-20 6674
看论文，发现很多SLAM方面的文章都涉及图优化，其中更包含有因子图。正好前段时间看了PRML，将其进行整理。 （诶，果然理论的内容就是得及时用起来，现在又记不太清楚了） 因子图 来自于PRML第八章“图模型” 有向图和无向图都使得若干个变量的一个全局函数能够表示为这些变量的子集上的因子的乘积。由因子图表示这个分解 因子图表示分解的方法：在表示变量的结点的基础上，引入额外的结点表示因子本身 将一组...
SLAM14讲学习笔记（七）后端（BA与图优化，Pose Graph优化的理论与公式详解、因子图优化）
热门推荐
微鉴道长的博客
04-07 2万+
上一节内容中我总结了卡尔曼滤波器的推导及其扩展的过程SLAM14讲学习笔记（六）后端（最难一章：卡尔曼滤波器推导、理解以及扩展），我认为那部分内容直接接触是比较难以理解的。但是高博书中也说了，卡尔曼滤波器并不是主流方法，主要还是通过BA或者其他方式来做优化。 SLAM十四讲中，后端分为两节，在我的笔记里，把卡尔曼滤波器单独拿出来做了一个笔记，然后剩下的内容总结在这里，作为第二个后端优化的笔记。在...
误差曲线误差椭圆
最新发布
03-08
<think>嗯，用户想了解误差曲线和误差椭圆的概念、计算方法及应用场景。首先，我需要回忆这两个术语的定义。误差曲线应该是指描述误差分布的曲线，而误差椭圆可能是在二维空间中表示误差的区域。接下来，要明确它们的数学定义。误差曲线可能涉及概率分布，比如正态分布的误差，用曲线表示不同误差值的概率密度。误差椭圆则可能是二维情况下，协方差矩阵对应的等高线，表示联合置信区域。 计算方法方面，误差曲线可能通过概率密度函数来计算，比如正态分布的PDF。对于误差椭圆，需要协方差矩阵的特征值和特征向量来确定椭圆的方向和轴长。具体步骤可能包括计算均值、协方差矩阵，然后特征分解得到半轴长度和旋转角度。 应用场景方面，误差曲线可能用于统计学中的误差分析，信号处理中的噪声评估。误差椭圆常见于测绘学、机器人定位、导航系统中，用来可视化位置估计的不确定性。 需要确认是否有标准公式或步骤，比如误差椭圆的置信度（如95%对应的卡方分布值）。可能涉及多元正态分布的性质，以及如何将协方差转换为几何参数。还要考虑是否需要代码示例，比如用Python绘制误差椭圆。 另外，用户提供的引用中有关于椭圆曲线群的定义，可能与误差椭圆不同，但可以注意区分。引用中的变分法可能与误差分析无关，但光束应用可能涉及光学中的误差分析。需要确保回答准确，区分不同领域的术语。 总结结构：先定义误差曲线和误差椭圆，然后分计算方法，再应用场景，最后代码示例。确保使用正确的中文术语和数学公式，符合LaTeX格式要求。检查是否需要引用相关文献，但用户提供的引用可能不直接相关，需谨慎引用。</think>### 误差曲线与误差椭圆的定义、计算及应用 #### 1. 定义 1. **误差曲线** 误差曲线描述单一变量或一维误差的分布特性，通常用概率密度函数（如正态分布）表示。例如，测量值$x$的误差服从正态分布$N(\mu, \sigma^2)$，其概率密度函数为： $$f(x) = \frac{1}{\sigma \sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}}$$ 误差曲线可用于可视化误差的集中程度和置信区间[^1]。 2. **误差椭圆** 误差椭圆是二维空间中表示联合误差分布的几何图形，常用于描述两个相关变量的不确定性。其数学基础是协方差矩阵的特征分析。若变量$(x,y)$服从二元正态分布，协方差矩阵为： $$\Sigma = \begin{pmatrix} \sigma_x^2 & \rho\sigma_x\sigma_y \\ \rho\sigma_x\sigma_y & \sigma_y^2 \end{pmatrix}$$ 误差椭圆的长短轴和方向由协方差矩阵的特征值和特征向量决定[^2]。 --- #### 2. 计算方法 **误差曲线计算步骤** - 输入：均值$\mu$、标准差$\sigma$、置信水平（如95%） - 输出：误差范围（如$\mu \pm 1.96\sigma$） - 公式： 对于正态分布，误差曲线的置信区间为$\mu \pm z_{\alpha/2}\sigma$，其中$z_{\alpha/2}$为标准正态分布的分位数。 **误差椭圆计算步骤** 1. **计算均值和协方差矩阵** 对二维数据$(x_i, y_i)$，计算均值向量$(\mu_x, \mu_y)$和协方差矩阵$\Sigma$。 2. **特征分解** 求解协方差矩阵的特征值$\lambda_1, \lambda_2$（对应椭圆半轴长度的平方）和特征向量$\mathbf{v}_1, \mathbf{v}_2$（决定椭圆方向）。 3. **确定置信尺度** 根据置信水平选择缩放因子$s$，例如： $$s = \sqrt{\chi^2_{2,\alpha}}$$ 其中$\chi^2_{2,\alpha}$是自由度为2的卡方分布临界值（如95%对应$s \approx 2.4477$）。 4. **椭圆参数** - 长半轴：$a = s\sqrt{\lambda_1}$ - 短半轴：$b = s\sqrt{\lambda_2}$ - 旋转角$\theta$：由主特征向量$\mathbf{v}_1$与$x$轴的夹角确定。 --- #### 3. 应用场景 1. **误差曲线** - 传感器测量误差分析（如温度传感器的精度评估） - 信号处理中的噪声分布建模[^3] 2. **误差椭圆** - **地理测绘**：GPS定位误差的可视化（如右图展示的定位点分布） - **机器人定位**：SLAM（同步定位与建图）中机器人位姿不确定性的表示 - **金融风险**：资产收益率的联合波动范围分析 --- #### 4. 代码示例（Python绘制误差椭圆） ```python import numpy as np import matplotlib.pyplot as plt from matplotlib.patches import Ellipse # 生成二维数据 np.random.seed(0) data = np.random.multivariate_normal(mean=[0, 0], cov=[[9, 4], [4, 3]], size=1000) # 计算协方差矩阵和特征分解 cov = np.cov(data.T) eigvals, eigvecs = np.linalg.eigh(cov) angle = np.degrees(np.arctan2(*eigvecs[:, 1])) # 旋转角度 # 绘制椭圆（95%置信度） fig, ax = plt.subplots() ax.scatter(data[:, 0], data[:, 1], s=1) ellipse = Ellipse((0, 0), width=2*np.sqrt(5.991*eigvals[1]), height=2*np.sqrt(5.991*eigvals[0]), angle=angle, edgecolor='r', facecolor='none') ax.add_patch(ellipse) plt.show() ``` ---
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

诗筱涵

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