视觉SLAM十四讲 第10、11讲 后端

最新推荐文章于 2022-11-29 09:34:53 发布
最新推荐文章于 2022-11-29 09:34:53 发布
阅读量430 收藏 3
点赞数
分类专栏： 视觉SLAM十四讲
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_39659902/article/details/106740089
版权

1、后端概念理解
2、EKF后端
3、非线性优化后端
4、实践中使用g2o和ceres
5、pose graph

文章目录


在这里插入图片描述

1、滤波器后端

在这里插入图片描述

在这里插入图片描述

1.1 卡尔曼滤波器

推导过程
推导结果

在这里插入图片描述
在这里插入图片描述

1.2 扩展卡尔曼滤波

在这里插入图片描述

在这里插入图片描述

1.3 优缺点

在这里插入图片描述

2、BA与图优化

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

3、pose graph

BA过程中优化的是位姿和特征点，为了减少计算量，特侦点数量较多，因此只对位姿进行优化，即pose graph。

在这里插入图片描述
在这里插入图片描述

木木小窝
关注
专栏目录
解读《视觉SLAM十四讲》，带你一步一步入门视觉SLAM—— 第 11 讲 后端 2
一点儿也不萌的萌萌
01-06 680
解读 在上一讲的解读中，我介绍了基于图的后端优化，我们也了解了SLAM优化问题的稀疏性，基于稀疏性我们可以在很短的时间内对特征点位置相机姿态进行优化。不过更大的场景下，大量的特征点的存在会严重的降低计算效率，导致计算量越来越大以至于无法实时化1 。 　　 　　经过观察发现，在做BA优化的时候，特征点的优化占了计算资源的大部分，而实际上经过几轮优化之后，空间位置估计会收敛到一个值保持不动，而发散的外...
视觉SLAM十四讲——第十讲：后端1
weixin_37709708的博客
10-03 920
@ 《视觉SLAM十四讲》知识点与习题 《视觉SLAM十四讲》第十讲知识点整理+习题 正在学习SLAM相关知识，将一些关键点及时记录下来。 知识点整理 本讲主要是针对长时间内最优轨迹和地图的优化，减小累积误差对长时间运动带来的影响 批量的处理方式：考虑在很长一段时间内的状态估计问题，而且不仅使用过去的信息更新自己的状态，也会用未来的信息来更新自己 渐进的处理方式：当前状态只由过去的时刻决定，甚至...
视觉SLAM十四讲 读书编程笔记 Chapter11 后端2
wolfcsharp的博客
08-28 515
Chapter11 后端2位姿图位姿图的意义位姿图的优化 位姿图 位姿图的意义 随着时间的流逝，空间点和相机位姿数据不断增多，BA的计算效率会不断下降。 实际上，经过若干次优化迭代之后，空间位置估计会收敛至一个值保持不动。因此，我们更倾向于在优化几次之后就把特征点固定住，只把它们看作位姿估计的约束，而不再实际地优化它们的空间位置。 我们可以构建一个只有轨迹的图优化，而位姿节点之间的边，可以由两个关...
【读书笔记】《视觉SLAM十四讲（高翔著）》 第10讲
dahailuoa6的博客
06-28 981
文章目录10.3实践：g2o10.4实践：Ceres程序的详细注释可关注robinhjwy和zkk9527的CSDN博客。 10.3实践：g2o 程序的编译运行方法： mkdir build cd build cmake .. make ./g2o_customBundle -input ../data/problem-16-22106-pre.txt 以上是成功编译运行程序，会在build文件...
视觉SLAM十四讲——第十讲后端2
qq_42731705的博客
10-11 287
0.滑动窗口滤波（暂未看） 1.程序问题解决 使用g2o_viewer查看位姿图的时候，会提示g2o_viewer未定义的命令，是因为当时在安装g2o的时候缺少了一些依赖，导致g2o_viewer没有被编译生成可执行文件。 解决方案：ubuntu18.04解决g2o_viewer安装 ...
SLAM14讲~视频链接
01-29
SLAM14讲，清华大学高翔亲自讲SLAM14讲视频。有代码的讲解和书籍内容的讲解。。SLAM14讲对计划学SLAM的童鞋来说是一本非常合适的书。
《视觉SLAM十四讲（高翔）》高清中文版PDF 1
08-03
《视觉SLAM十四讲》是一本深入探讨视觉Simultaneous Localization And Mapping（SLAM）的书籍，由高翔和张涛合著。该书旨在从理论到实践全面讲解SLAM技术，适合对机器人导航、自动驾驶或计算机视觉感兴趣的读者。书...
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 2770
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十四讲】第十、十一讲 后端
liqingyushe的博客
11-29 317
后端
SLAM 十四讲 课件 slam
04-23
这个课程“SLAM 十四讲”显然涵盖了SLAM的基本理论、方法及其应用。下面，我将根据提供的文件名称，逐一解析SLAM学习中的关键知识点。 **第一讲：SLAM概述与预备知识** 这讲主要介绍了SLAM的基本概念，包括为什么...
slam十四讲课堂PPT-2016年.rar
06-10
本资料“slam十四讲课堂PPT-2016年.rar”是一个关于SLAM的详细教程，包含了一套系统的PPT课件，用于深入理解和学习这一关键技术。 在SLAM中，机器人需要在未知环境中移动，同时构建环境的地图，并确定自身的精确...
SLAM从入门到放弃：SLAM十四讲第十一章习题（1-2）
Yan
11-16 1717
以下均为简单笔记，如有错误，请多多指教。 如果将位姿图中的误差定义为Δξij=ξi∘ξj−1\Delta \xi_{ij}=\xi_i\circ\xi_j^{-1}Δξij​=ξi​∘ξj−1​，推导按照此定义的左乘扰动雅克比矩阵。 答：在进行证明之前，不妨先把Δξij=ξi−1∘ξj\Delta \xi_{ij}=\xi_i^{-1}\circ\xi_jΔξij​=ξi−1​∘ξj​推导一次...
SLAM14讲-ch10/ceres_customBundle
南北粉面馆
08-11 328
首先解决2个编译不过的问题 1、fatal error: Eigen/Core: No such file or directory 解决办法：参考文章https://www.cnblogs.com/long5683/p/13406666.html 2、num_linear_solver_threads找不到的问题 解决办法：参考文章https://blog.csdn.net/EliGold/article/details/103402486 首先，构建ceres误差代价函数 class SnavelyRe
视觉SLAM十四讲学习笔记——第十讲 后端优化（2）
weixin_61294345的博客
11-25 468
上文提到考虑全局的后端优化计算量非常大，因此在计算增量方程时，借助H矩阵的稀疏性加速运算。但是随着时间的推移，累积的相机位姿和路标数量还是会导致计算量过大，以上一节的示例代码数据为例：16张图像，共提取到22106个特征点，这些特征点共出现了83718次。对于一个20Hz更新速度，上述的数据量甚至还不到1s的内容，因此在求解大规模定位建图问题时，一定要控制BA的规模。这里主要有两种解决思路： （1）滑动窗口法：固定优化N个关键帧，这N个关键帧同时观测到了M个路标点，因此可以建立一个规模适中...
十四讲第十章ceres_ba
Asgard
02-21 582
ceres_custombundle ceres同样包含common（提供了命令解析commandargs、参数配置bundleparams、数据存储读写BALProblem、重投影函数projection及常用数学工具tools）和data（存放txt格式数据集）。 除此之外包含SnavelyReprojectionError.h(计算重投影误差代价函数)以及ceresBundle.cpp(ce...
《第11讲 后端2》 读书笔记
LWHGMAN的博客
04-23 323
本文是《视觉SLAM十四讲》第11讲的个人读书笔记，为防止后期记忆遗忘写的。 本节知识脉络 BA的优缺点：BA 能精确地优化每个相机位姿与特征点 位置。不过在更大的场景中，大量特征点的存在会严重降低计算效率，导致计算量越来越 大以至于无法实时化。 本章的目的：本讲介绍在更大场景下使用的后端优化方法：位姿图。 11.1 位姿图（Pose Graph） 11.1.1 Pose Graph 的...
SLAM从入门到放弃：SLAM十四讲第十章习题（1-4）
Yan
11-14 1178
以下均为简单笔记，如有错误，请多多指教。 证明式K=P‾kCkT(CkP‾kCkT+Qk)−1K=\overline{P}_kC_k^T(C_k\overline{P}_kC_k^T+Q_k)^{-1}K=Pk​CkT​(Ck​Pk​CkT​+Qk​)−1。 答：由于课本上已经推导了大部分的公式，则已知 P^k=(1−KCk)P‾k\widehat{P}_k=(1-KC_k)\overline...
slam入门——十四讲笔记（五）
Undergoer的博客
02-15 1135
文章目录第六讲 非线性优化6.1 状态估计问题6.1.1 最大后验与最大似然6.1.2 最小二乘的引出6.2 非线性最小二乘6.2.1 一阶和二阶梯度法6.2.2 Gauss-Newton6.2.3 Levenberg-Marquadt6.2.4 小结6.3 实践：Ceres6.3.1 Ceres简介6.3.2 安装Ceres6.3.3 使用Ceres拟合曲线6.4 实践：g2o6.4.1 图优化理论简介6.4.2 g2o的编译与安装6.4.3 使用g2o拟合曲线6.5 小结 第六讲 非线性优化 6.1 状
视觉slam14讲——第11讲后端2
leeayu的博客
12-19 6330
本系列文章是记录学习高翔所著《视觉slam14讲》的内容总结，文中的主要文字和代码、图片都是引用自课本和高翔博士的博客。代码运行效果是在自己电脑上实际运行得出。手动记录主要是为了深入理解 涉及到的主要内容如下 理解Pose Graph 优化 因子图优化 增量式图优化 位姿图Pose Graph 1 Pose Graph的意义 2 Pose Graph优化推导 因子图优化 1 贝叶斯网络Bayes
视觉slam十四讲+第二版
最新发布
03-03
《视觉SLAM十四讲》是一本介绍视觉SLAM（Simultaneous Localization and Mapping）的经典教材，第二版是对第一版的更新和扩展。视觉SLAM是指通过摄像头等视觉传感器获取环境信息，同时实现机器人的定位和地图构建。 ...
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
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