【SLAM十四讲--第六讲】非线性优化

已于 2022-03-23 11:17:38 修改
阅读量1.9k 收藏 39
点赞数 12
分类专栏： SLAM的理论知识篇 文章标签： 学习 slam c++
于 2022-03-23 11:13:09 首次发布
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/weixin_42126210/article/details/123648742
版权

《SLAM十四讲》理论部分专栏
《SLAM十四讲》实践部分专栏

目录

一、引入

在这里插入图片描述

  经过前几讲的学习，我们知道了SLAM的数学表示方式（如上图），那怎么求解这个数学问题呢？这是
一个什么问题呢？我们来理一理。

  我们已知的是：运动方程、观测方程、运动数据、图片数据；

  我们求解目标的是：相机各个时刻的位姿和路标点的世界坐标。

  概括起来就是：在已知SLAM模型的情况下，通过带噪声的数据z和u推断位姿x和地图y的概率分布，这是一个状态估计问题。

  状态估计问题如何求解呢？

请添加图片描述

  本讲内容针对非线性优化进行展开介绍。

二、非线性优化

  数学推导比较多，这里放手写笔记

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
下载手写笔记的pdf

三、知识联系的总结

  一张图总结一下本讲知识间的联系。

请添加图片描述

  看完文章觉得有用的的话，可以点赞、收藏、关注、订阅专栏嘛，你的肯定是我最大的动力！！！😘🌹

一万小时SLAM
关注
  • 12
    点赞
  • 踩
  • 39
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
专栏目录
视觉SLAM十四讲-高翔 完整版
08-23
视觉SLAM十四讲-高翔 完整版
NLopt-非线性规划的C/C++代码
09-08
非线性规划(全局/局部最优化)的C/C++代码。希望对大家有帮助
基于滑窗非线性优化的双目视觉SLAM算法
06-07
针对双目基于ORB特征的即时定位与地图构建（ORB-SLAM）算法位姿估计精度较低的问题，对其进行了改进，提出了一种基于滑窗非线性优化的双目视觉SLAM算法。该算法引入了滑窗思想，在状态估计过程中对最新多帧图像对应系统的状态进行了解算；重构了位姿估计过程中的代价函数，通过高斯牛顿法优化状态变量；采用边缘化策略，有效限制了待求解状态量的数目，并将其余状态量及与其相关的视觉测量转换为求解当前滑窗内状态的先验约束。通过在公开数据集上测试，验证了算法的精确性和有效性，实验结果表明：该算法能有效估计相机位姿且不发生显著漂移，与双目ORB-SLAM算法相比，位姿估计精度有了显著提高。
SLAM专题（6）-- 非线性优化
Techblog of HaoWANG
11-10 1156
目录 非线性最小二乘问题 （1）一阶和二阶梯度法 （2）高斯牛顿法 （3）列文伯格-马夸尔特方法（Levenberg-Marquadt法） 非线性优化小结： 实践： 1.Ceres库(谷歌)简介 ceres曲线拟合实例 代码 结果 2.g20库(基于图优化)简介 g20步骤： 总结： 非线性最小二乘问题 因为cost function f(Xn)非线性non...
自学SLAM（7）非线性优化实践：曲线拟合问题（使用ceres库和SLAM常用的g2o库）
qq_57425280的博客
11-04 358
本次文章针对的是第四个视屏中的实践问题
【视觉SLAM十四讲】第6讲 非线性优化
博客标题不能为空我也没办法
12-05 2241
第6讲 非线性优化
SLAM中的非线性优化方法
TheRun的博客
03-25 120
为了求解HΔgHJTJ需要对H求逆，而H为半正定矩阵，可能为病态或者奇异，此时稳定性较差，可能不收敛，即使H是非病态和非奇异，也有可能因为Δx过大而导致不收敛。
slam---非线性优化
badman_lee的博客
11-20 224
预处理被称为PCG方法（preconditioned conjugated gradient method）既然共轭梯度法的收敛速度取决于系数矩阵的特征值，那么我们可以将A x = b 转化为等价的B x = c，使得B x = c在与A x = b同解的前提下，而B的最大、最小的特征值之比远小于A的最大、最小的特征值之比。求解A x = b 的共轭梯度法。步长的求法：两种方法，一种是直接对步长求导，令导数为零，求出步长，如下面的例子。另一种，是进行二阶泰勒展开近似，然后对步长求导，令导数为零，求出步长。
SLAM数学篇:非线性优化
slamml
08-19 674
本文介绍了基本的无约束非线性优化方法，理解其在SLAM状态估计问题中的应用。
视觉SLAM——非线性优化问题
xranmail的博客
10-16 1779
SLAM位姿求解问题根本上是一个不断进行非线性优化到最优值的问题。 1. 最大似然问题。位姿估计本身是求解最大似然估计，即在什么样的状态下xk，最可能产生现在观测到的数据。 运动方程：; 表示从k-1时刻到k时刻的运动,表示k-1时刻位姿，是传感器读数，是噪声。 观测方程：;在位置观测到某个点,产生一个观测数据,是噪声,是观测值。 位姿是可以使用变换矩阵或李代数表示，则在处对点进行一次观测，对应...
视觉SLAM十四讲-fmt库文件
03-08
视觉SLAM十四讲-fmt库文件，当下载的Sophus库文件为模板库时，需要先安装fmt库
高翔视觉slam十四讲有完整库的代码文件
09-20
高翔视觉slam十四讲有完整库的代码文件 ： 因为高翔视觉slam十四讲文件里面的，3rdparty文件夹下下载下来是空的，所以这里有专门的已经下载好了的文件夹供大家使用，不用再自己下载了，避免因版本不同而编译错误。...
SLAM十四讲【1-6章】PPT.rar
10-31
本资源包括高翔SLAM十四讲1-6章PPT，便于简化理解和日常讲解摘要使用。
slam十四讲课堂PPT-2016年.rar
06-10
slam十四讲视频配套ppt
视觉SLAM十四讲-ch13代码祥读（设计SLAM系统）
06-20
1.对视觉SLAM十四讲——ch13代码中的所有文件进行了详细的阅读 2. 主函数的阅读 3. config配置文件 4. visual_odometry.cpp视觉里程计文件 5. frontend.cpp前端文件（重要文件1） 6. backend.cpp后端文件（重要文件2...
视觉slam十四讲学习笔记（五）非线性优化
最新发布
qq_53589322的博客
02-15 1492
1.理解最小二乘法的含义和处理方式。2.理解等下降策略。3.学习Ceres库和g2o库的基本使用方法。视觉SLAM十四讲ch6_哔哩哔哩_bilibili在视觉SLAM（Simultaneous Localization and Mapping，即同时定位与地图构建）中，最大后验估计（Maximum A Posteriori Estimation，MAP）和最大似然估计（Maximum Likelihood Estimation，MLE）是两种常用的参数估计方法。
SLAM-非线性优化
qq_45551969的博客
05-11 85
转子作者：一万小时SLAM
视觉 SLAM 十四讲 —— 第六讲 非线性优化
死亡叹息的博客
10-26 2237
视觉 SLAM 十四讲 —— 第六讲 非线性优化 状态估计问题 最大后验和最大似然 经典 SLAM 模型由一个运动方程和一个观测方程构成 其中就是相机的位姿，它可以用变换矩阵 或者对应的李代数来表示。为路标，而是在处对路标的观测映射到图像的像素位置。因此对应量测方程能够表示为 最小二乘的引出 ...
视觉SLAM⑥---非线性优化
qq_41694024的博客
05-11 3386
主要目标： 1.理解最小二乘法的含义和处理方式。 2.理解高斯牛顿法(Gauss-Newton's method)、列文伯格—马夸尔特方法(Levenburg- -Marquadt's method）等下降策略。 3．学习Ceres库和g2o库的基本使用方法。
视觉slam十四讲-ch3
07-01
### 回答1： 《视觉SLAM十四讲》第三章主要介绍了视觉SLAM中的关键技术——特征提取和描述子。本章首先介绍了特征点的概念和特征点的选择原则。特征点即图像中具有鲁棒性和区分度的点，可以通过对其进行检测和描述来进行特征匹配和跟踪。在进行特征提取时，作者介绍了常见的特征检测算法，如Harris角点检测、SIFT和SURF算法等，并对其进行了比较和分析。 接着，本章详细阐述了特征描述子的概念和作用。特征描述子是对特征点周围区域的图像信息进行编码，以实现特征匹配和跟踪。常见的特征描述子包括SIFT、SURF和ORB等。作者从描述子的表示形式、计算方式和匹配方法等方面进行了介绍，并对它们进行了比较和评价。同时，还提到了基于二进制描述子的方法，如BRIEF、BRISK和FREAK等。 在特征匹配方面，本章介绍了特征描述子匹配的基本原理和流程。以基于特征点的视觉SLAM为例，作者详细解释了特征点的匹配过程，包括特征点的选择、特征点描述子匹配和筛选等步骤。并介绍了如何通过验证特征点的三角化和PnP求解来估计相机的位姿。 此外，本章还介绍了一些特定场景下的特征点选择和提取策略，如动态环境下的特征点追踪和关键帧选择等。 综上所述，《视觉SLAM十四讲》第三章主要介绍了特征提取和描述子在视觉SLAM中的重要性和应用。通过对特征点的检测和描述，可以实现特征匹配和跟踪，为后续的相机位姿估计和建图提供基础。该章内容详细且通俗易懂，对于学习和理解视觉SLAM有着重要的指导作用。 ### 回答2： 《视觉SLAM十四讲-Ch3》主要介绍了视觉SLAM（同时定位与建图）技术的基本原理和实现方法。本章主要涵盖了三维几何表示和变换、相机模型和相机姿态以及特征提取与匹配等内容。 首先，本章介绍了三维几何表示和变换的概念。通过介绍欧氏空间中的点、向量和坐标变换，深入解释了相机在三维空间中的位置和朝向的表示方式。同时，引入了齐次坐标和投影矩阵的概念，为后续的相机模型和姿态估计打下了基础。 其次，本章详细讲解了相机模型和相机姿态的原理与应用。其中，介绍了针孔相机模型，分析了图像坐标和相机坐标之间的映射关系。通过投影矩阵的推导，给出了透视投影和仿射投影的公式，并解释了相机焦距和主点的含义。此外，还介绍了如何通过计算相机的外参矩阵来估计相机的姿态，以及如何将图像坐标转换为相机坐标。 最后，本章介绍了特征提取与匹配的技术。首先，介绍了角点和边缘点的概念，以及如何利用差分和梯度计算来检测图像中的角点和边缘点。然后，介绍了如何通过特征描述符来表示图像中的特征点，并通过特征匹配算法找到两幅图像之间的对应关系。特征提取与匹配是视觉SLAM中非常重要的步骤，对于后续的相机定位和建图至关重要。 综上所述，《视觉SLAM十四讲-Ch3》通过系统地介绍了视觉SLAM技术的基本概念和实现方法，包括三维几何表示和变换、相机模型和相机姿态的原理与应用，以及特征提取与匹配的技术。这些内容为读者深入理解和掌握SLAM技术提供了很好的基础。 ### 回答3： 视觉SLAM（Simultaneous Localization and Mapping）是一种通过计算机视觉技术，实现机器智能的同时实时定位和地图构建的方法。在《视觉SLAM十四讲》第三讲中，主要介绍了视觉SLAM的基本概念和关键技术。 首先，讲解了视觉SLAM的理论基础，包括自我运动估计和地图构建两个部分。自我运动估计是通过相邻帧之间的视觉信息，计算相机在三维空间中的运动，从而实现机器的实时定位；地图构建是通过对场景中特征点的观测和跟踪，建立起一个三维空间中的地图。这两个过程相互影响，通过不断迭代优化，实现高精度的定位和地图构建。 接着，讲解了基于特征的视觉SLAM算法。特征提取与描述是建立视觉SLAM系统的关键步骤，通过提取场景中的特征点，并为其生成描述子，来实现特征点的匹配和跟踪。同时，还介绍了一些常用的特征点提取和匹配算法，如FAST、SIFT等。 在SLAM框架方面，本节还介绍了基于视觉的前端和后端优化。前端主要负责实时的特征跟踪和估计相机运动，后端则是通过优化技术，对前端输出的轨迹和地图进行优化求解，从而提高系统的精度和鲁棒性。 最后，本节提到了几个视觉SLAM的应用场景，如自主导航、增强现实等。这些应用对于实时高精度的定位和地图建立都有着很高的要求，因此，视觉SLAM的技术在这些领域有着广泛的应用前景。 总的来说，《视觉SLAM十四讲》第三讲对视觉SLAM的基本概念和关键技术进行了系统的介绍。理论基础、特征提取与描述、SLAM框架和应用场景等方面的内容都给出了详细的解释和案例，有助于读者更好地理解和应用视觉SLAM技术。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
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