VINS-FUSION 优化-先验因子(边缘化)

最新推荐文章于 2024-08-05 17:16:45 发布
最新推荐文章于 2024-08-05 17:16:45 发布
阅读量1.1k 收藏 18
点赞数 27
分类专栏： VINS-FUSION 文章标签： VINS-Fusion 边缘化 滑窗 舒尔补
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/u010196944/article/details/136204629
版权

一、边缘化

VINS中的边缘化策略，将滑出窗外的帧与滑窗内的帧的约束使用边缘化的形式保存为先验误差因子进行后续非线性优化，以保留约束信息。

VINS-Fusion优化约束包括：a.视觉误差因子约束，b.IMU预积分约束，c.边缘化先验因子约束

文章主要讲述边缘化先验因子约束如何产生。

VINS-Fusion中，边缘化如图示：

二、边缘化原理

优化问题通用表达形式：

HX = b

其中，H = J^{T}J, b=J^{T}e, 

了解本专栏 订阅专栏 解锁全文 超级会员免费看
云端舞步
关注
专栏目录
订阅专栏
VINS滑窗及边缘化
weixin_41469272的博客
05-16 1177
滑窗优化思想是指定一个待优化的窗口宽度，随着新帧的到来，将老的帧信息移出窗口，每次都优化窗口内的帧及特征点。由于在滑窗problem进行求解前，需要将先验约束加入到problem中，然而，先验结束是上一轮边缘化得到的，从而对于窗口内的变量及约束而言，边缘化使用的是次新帧是不是关键帧，而不是通过对新帧的判断。在VINS初始化过程中，使用SFM对特征点及相机位姿进行不带尺度(up-to-scale)的估计后，就使用了一次滑窗优化，此时尺度是任意设置的，且使用的是ceres自动微分功能。
VINS_FUSION入门系列－优化optimization
pj_find的博客
06-02 1770
代码最核心的地方就是优化和滑动窗口,代码主要和VINS_MONO分成的三部分差不多,视觉由于使用的双目有所改变.优化主要就是计算残差,雅克比矩阵和信息矩阵. VINS_MONO VINS_FUSION 从上图可以看出,总体VINS_MONO和VINS_FUSION求解的变量差不多.下面具体分析VINS_FUSION的优化. 1.1 视觉约束 for (auto &it_per_frame : it_per_id.feature_per_frame) { imu
VINS（六）边缘化
weixin_34318326的博客
07-06 398
　　通常的边缘化是将联合概率分布分解为边缘概率分布和条件概率分布的过程，这样可以将Sliding Window中较旧的状态边缘化出Sliding Window，同时保留其信息。并且保证了对应H海塞矩阵的稀疏，从而实现计算资源和计算精度的平衡。VINS中也可以将最旧的状态边缘化，但是在一些退化的运动下（例如悬停或者匀速运动），会造成当前运动状态的scale不可观，因此需要有选择地边缘化当前Slidi...
VINS-MONO边缘化策略
Asgard
05-08 6410
VINS中的滑窗优化策略，将滑出窗外的帧与滑窗内的帧的约束使用边缘化的形式保存为先验误差进行后续非线性优化，以保留约束信息。本文对具体的方案进行记录。 紧耦合VIO处理的两种误差分别为IMU误差与图像误差，采用LM、GN、Dogleg等方式迭代求解待优化参数增量，以求得最大似然估计，最小化非线性化误差。 迭代优化的核心即求解增量方程： Hδx=bH\delta x=bHδx=b其中H=JTJ,b=...
vins边缘化问题
qq_18834185的博客
12-26 429
先贴几个比较好的文章 https://blog.csdn.net/weixin_41394379/article/details/89975386 https://blog.csdn.net/heyijia0327/article/details/52822104 https://www.cnblogs.com/feifanrensheng/p/10532918.html 边缘化 在我们这个工科领...
VINS滑动窗口边缘化操作
qq_40693072的博客
04-08 1008
VINS中滑动窗口的边缘化操作 VINS是针对滑动窗口中的关键帧进行BA，为了保证滑动窗口中的关键帧数量限制在窗口的最大数量之内（VINS中取的是十个关键帧），当有新的关键帧进来的时候需要对之前的关键帧丢掉，但由于老的关键帧可能还会与窗口中的关键帧存在相机的观测约束，不能直接丢掉，所以丢掉的策略是对老的关键帧进行边缘化操作。 边际概率 如上图所示，上表表示的是一个二维随机变量的分布表，横轴表示的是学生花在学习上的时间，单位为分钟，纵轴表示的是学生在测试中所取得的成绩，数字表示的是学生的分数，而表中的每一个
VINS-FUSION 优化-视觉误差因子
u010196944的博客
07-22 719
本文从论文公式到相对应源码，详细叙述了深度/逆深度参数，从第i帧到j帧重投影误差表示视觉误差因子。
VINS-FUSION 优化-在线同步时间td校准
u010196944的博客
07-22 683
在视觉里程计框架下，完成camera和IMU同步时间在线实时校准
VINS-Fusion 多传感器全局位姿估计的一种通用优化框架
u010196944的博客
08-05 113
对于自动导航的机器人来说，精确的状态估计是基本问题。为了实现局部精确和全局无漂移的位姿估计，通常将具有互补属性的多个传感器进行融合。在一个小的区域内，局部传感器，如相机、IMU、Lidar等，提供了精确的位姿，而在一个大场景环境下，全局传感器，如gps、magnetometer、barometer等，提供有噪声但全局无漂移的定位。在本文中，我们提出一种传感器融合框架，将局部状态和全局传感器融合，实现局部精确和全局无漂移的位姿估计。现有的VO/VIO方法产生的局部估计，在位姿图优化中与全局传感器融合。在图优化
VINS边缘化的理解及公式推导.pdf
01-21
结合现有资料，对VINS边缘化原理进行了分析，包括边缘化的原因，基本原理和实际处理逻辑等，对公式进行了详细推导。
图解vins后端边缘化
HozenChe的博客
06-20 1613
vins后端边缘化图解
VINS-Mono中的边缘化与滑窗 (1)—— 边缘化概述
qq_42731705的博客
03-13 855
边缘化操作的意义从概率上看就是根据联合概率分布求边缘概率分布，如下为概率论中的定义：所以边缘化的操作就相当于在要被边缘化掉的那个状态上进行积分，把它从概率密度函数中消除掉，但是它的概率信息通过积分仍然保留在了边缘化之后的概率密度中，从而没有损失任何信息。
VINS-Mono 代码解析六、边缘化（3）
努力努力努力
11-12 5480
一、理论部分 理论部分就不详细说了，看这个连接： https://blog.csdn.net/hltt3838/article/details/109455065 简单介绍 1、优化变量： para_Pose （6维，相机位姿）、para_SpeedBias（9维，相机速度、加速度偏置、角速度偏置）、para_Ex_Pose （6维、相机IMU外参）、para_Feature （1维，特征点深度）、para_Td （1...
VINS-Mono关键知识点总结——边缘化marginalization理论和代码详解
yt100323的博客
01-20 695
VINS-Mono关键知识点总结——边缘化marginalization理论和代码详解
VINS-Mono中的边缘化与滑窗 (3)—— 边缘化倒数第二帧及滑窗优化
qq_42731705的博客
03-13 1267
注意：这一步骤就是滑窗操作的精髓所在！之前我们已经把本次非线性优化、边缘化最老帧的相关计算完成了，但是实际存储在滑窗中的状态变量还没有进行滑窗操作，所以上面依次交换前后两帧，将滑窗中的所有帧都向前移动了一个位置，然后滑窗中的最老帧被抛弃掉了。此时我们会发现滑窗中的最后一个位置变成了最老帧，显然这个是不正确的。实际上我们应该把滑窗中最后一个位置的状态清空，然后等待这下一帧图像的到来，继续处理。
VINS-Mono+Fusion源码解析系列（二十）：边缘化约束
LDST_CSDN的博客
10-27 471
 当滑动窗口新增关键帧时，由于由于滑动窗口大小一定，新进来一帧关键帧意味着必然有老的一帧被剔除出去。直接暴力剔除被边缘化帧会损失掉与之相关的信息，因此需要通过舒尔补的方式，在保留它与剩余帧之间的联系前提下将其剔除。​ 对于滑动窗口中优化求解的增量方程，有： Hδx=b H\delta x = b Hδx=b ​ 根据待边缘化的状态量，对上述方程进行划分，如下所示： [ΛaΛbΛbTΛc][δxaδxb]=[gagb] \left[ \begin{array}{cc} \Lambda_a & \L
VINS-fusion
最新发布
09-06
VINS-Fusion 是一种视觉惯性导航系统融合算法，它主要用于无人机、增强现实（AR）和机器人等应用中，以提供准确的运动状态估计。该算法将摄像头捕获的图像信息与惯性测量单元（IMU）的传感器数据相结合，通过滤波技术，如卡尔曼滤波器或非线性优化方法，来估计位置、速度和姿态。 VINS-Fusion 的关键特点在于其能够处理动态场景，即使在没有GPS的情况下也能保持良好的性能。它采用直接法（Direct Method）处理图像数据，直接使用图像像素强度来估计相机运动，这使得算法能够更好地处理低纹理环境，同时也能处理高动态范围的运动。 VINS-Fusion 的实现通常包含以下几个步骤： 1. 特征提取与匹配：从连续的图像中提取特征点，并在相邻帧之间进行匹配。 2. 位姿估计：使用匹配的特征点来估计相机的运动，这通常涉及到图像的重投影误差最小化。 3. 状态更新：结合IMU数据通过滤波器或优化方法来进一步更新相机的状态估计。 4. 图优化：为了提高长时间运行的精度，VINS-Fusion 还会采用图优化技术对历史状态进行校正。
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