写在前面
本人作为本科即将毕业学生,导师已安排视觉SLAM方向作为我的研究方向。研究得初期离不开大量论文论文的阅读,特开此栏,1为监督自己,2为方便互相交流,谢谢。
阅读论文: Stability-based Scale Estimation for Monocular SLAM------from ICRA2019
论文出发点
- 利用单目SLAM的无尺度状态反馈进行控制会导致系统不稳定
- SLAM系统的绝对尺度与产生这种不稳定的控制增益之间存在独特的线性关系。
因此我们可以根据求取其增益来达到估计slam尺度的目的。
单目SLAM缺点
单目SLAM的主要缺点是重建场景和摄像机运动的绝对度量尺度本身是不可观测的。
传统方法解决
使用额外的度量传感器,如惯性测量单元或声纳高度来估计度量尺度
论文方法解决
受前人工作的启发,利用悬停控制中自激振荡的性质来估计尺度
模型部分
第一部分 分析了无尺度反馈控制的不稳定性
速度控制离散模型
这个就是输入输出的定义,按照论文定义来没问题。后面用到了零阶保持器离散化处理了(没想到本科计算机控制的这个知识还真用到了emmm),然后按照推导得到了临界的增益(这个增益是无噪声无延迟的)。我感觉这个模型搭建的环境本身比较简单,因此得到的一个理想化的推导,所以此处不做太多讲述。
包括空气阻力(Drag)和延迟
这里文章只做了一个函数关系的说明。emmm并没有推导
临界增益和尺度的关系更新
我感觉这部分是文章比较重要的一个点,可以说前面在求取临界增益为此打基础。
首先定义了他们之间的关系
文章表明在一定范围内增益与尺度可拟合出线性关系。(此关系通过距离摄像头改变提前获取的)
接着通过定义的关系,分子由后面的自适应算法得到,分子可有线性拟合关系估计到,因此就可以求取估计的尺度。
第二部分 尺度估计的自适应算法
这一部分的重点在与以下流程设计
在这个单目SLAM框架中,它其实用到了两个控制器,将速度和位置两种无尺度的信号分别输入到两组控制其中,速度控制器可以实现K的自适应更新,而这个参数也用到了上一个部分的计算中。最后再将估计好的尺度和位置控制器的输出做差作为输出。可以理解为,速度控制器帮助位置控制器完成了一次参数矫正。
本人水平有限,如有错误,欢迎指正。