第九讲 后端1

最新推荐文章于 2024-08-12 18:10:44 发布
最新推荐文章于 2024-08-12 18:10:44 发布
阅读量119 收藏
点赞数 1
分类专栏： 视觉SLAM十四讲 文章标签： 算法
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_42391513/article/details/140723783
版权

后端（Backend）

  • 用带噪声的数据估计内在状态（Estimated the inner state from noisy data）——状态估计问题
  • 渐进式（Incremental）：保持当前状态的估计，在假如新信息时，更新已有的估计（滤波）
  • 批量式（Batch）：给定一定规模的数据，计算该数据下的最优估计（优化）

 分子与x_k无关，可拿掉

似然可通过观测方程计算

先验不分按条件概率展开：

对x_k-1进行积分，左边是x_k-1多加个条件下的x_k的分布，右边是k-1时刻的分布

喵喵不爱吃鱼
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
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 2610
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...
第一讲网站建设及相关技术.ppt
11-21
9. 维护更新：定期更新内容，修复问题，保持网站的安全性和稳定性。 了解这些基础知识对于理解网站建设的整体过程至关重要，无论是个人还是企业，都可以依据这些知识来规划和创建自己的网站，有效地在Internet上...
视觉SLAM十四讲 第9讲 后端1 贝叶斯法则 式9.5推导
CSSDCC的博客
12-27 1164
视觉SLAM十四讲中的第9讲 式9.5的推导，下面我们来看如何对状态进行估计。按照贝叶斯法则，把zk和xk交换位置，有式9.5
slam14讲（第9，10讲 后端）
Son_of_the_Bronx的博客
05-23 1000
这个边缘化的概念是从概率论的角度来看的。实际上这个求解步骤就是固定ΔxpΔxp​，然后求解ΔxcΔxc​，最后再算出ΔxpΔxp​。PxcxpPxc∣xpPxpPxc​xp​Pxc​∣xp​Pxp​最终是求得了xcxc​的条件概率分布，和xpxp​的边缘分布，所以称边缘化。在消元的时候实际上是将特征点的部分信息融入了求解xcxc​的过程，所以xcxc​。
《视觉 SLAM 十四讲》V2 第 9 讲 后端优化1 【扩展卡尔曼滤波器 EKF && BA+非线性优化(Ceres、g2o)】
weixin_46034116的博客
10-18 674
发射出来的几束光线(bundles of light rays)， 它们会在几个相机的成像平面上变成像素或是检测到的特征点，如果我们调整(adjustment) 各相机姿态和各自特征点的空间位置，使得这些光纤最终收束到 相机的光心，称为 BA。把卡尔曼滤波器 的结果 扩展到 非线性系统中， 扩展卡尔曼滤波器。时刻状态 与 之前所有状态 的关系。前端视觉里程计： 短时间内的轨迹和地图。卡尔曼滤波器构成了线性系统的最优无偏估计。后端优化： 长时间内的最优轨迹和地图。的信息更新自己的状态，也会用。
《第10讲 后端1》 读书笔记
LWHGMAN的博客
04-21 1998
本文是《视觉SLAM十四讲》第10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 前面前端的内容，只能求出短时间或者说相邻两帧的转换关系，并建立局部意义的地图。然而当时间延长或者规模变大之后，那么将会出现累积误差。而后端就是要解决这个长时间、大规模建图的问题。 对于问题的解决，后端分为批量和渐进两种解决方法。其中渐进是以卡尔曼滤波为代表，而批量是以非线性优化（BA、图优化等）为代表...
《高翔视觉slam十四讲》学习笔记 第九讲 后端
qq_42680785的博客
04-20 256
SLAM十四讲_后端1
qq_37417682的博客
01-14 1541
后端 SLAM 系统的另一个重要模块：后端优化。 前端视觉里程计能给出一个短时间内的轨迹和地图，但由于不可避免的误 差累积，这个地图在长时间内是不准确的。所以，在视觉里程计的基础上，我们还希望构 建一个尺度、规模更大的优化问题，以考虑长时间内的最优轨迹和地图。不过，考虑到精 度与性能的平衡，实际当中存在着许多不同的做法。 视觉里程计只有短暂的记忆，而我们希望整个运动轨迹在较长时 间内都能保持最优的...
SLAM十四讲-后端（1）
Wu_whiteHyacinth的博客
11-22 1052
0.特征点法 视觉SLAM主要分为视觉前端和优化后端。前端也称为视觉里程计（VO），根据相邻图像的信息估计处粗略的相机运动，给够后端提供较好的初始值。 VO的实现方法，按是否需要提取特征，可分为特征点的前端和不提特征点的直接法前端。 VO的主要问题是如何根据图像估计相机的运动：从图像选取有代表性的点（路标），在相机发生微小变化时会保持不变，接着从各个图片找到相同的点，进而讨论相机位姿估计问题。...
视觉SLAM十四讲：从理论到实践（Chapter9：后端1）
努力学习
06-07 544
学习笔记，仅供学习，不做商用，如有侵权，联系我删除即可1.理解后端的概念。 2.理解以EKF为代表的滤波器后端的工作原理。 3.理解非线性优化的后端，明白稀疏性是如何利用的。 4.使用g2o和Ceres实际操作后端优化 BA：Bundle Adjustment，是一种批量式的优化方法，给定很多个相机位姿、路标与观测数据，计 算最优的状态估计；定义每个运动/观测方程的误差，并从初始估 计开始寻找梯度下降；BA代价函数：待优化变量：相机的位姿和Landmark的三维空间坐标把自变量定义成所有待优化的变量：，Δ
slam十四讲课堂PPT-2016年.rar
06-10
1. **传感器基础**：SLAM通常利用激光雷达（LIDAR）、视觉相机（如RGB-D或单目相机）等传感器获取环境信息。PPT可能涵盖了这些传感器的工作原理、数据采集方式以及数据格式。 2. **基础概率理论**：SLAM是一个概率...
新闻发布系统第十五讲源代码
07-27
在本节中，我们将深入探讨"新闻发布系统"的第十五讲源代码，这是一个基于C#编程语言构建的应用程序。新闻发布系统是许多网站和在线平台不可或缺的部分，它允许管理员发布、管理和更新最新的新闻资讯，同时为用户提供...
世纪星最新视频教程 第十九讲 web发布客户端.rar
10-14
【世纪星最新视频教程 第十九讲 Web发布客户端】 在这一讲的世纪星视频教程中，我们专注于Web发布客户端的相关知识，这是一个重要的软件技术主题，它涉及到如何将应用程序以Web服务的形式提供给用户，使得用户可以...
第1讲：渗透测试简介-入门（http协议）.rar
01-21
1. **web安全手册**：可能包含有关Web应用程序安全的最佳实践和常见攻击的详细信息，对识别和利用Web漏洞非常有帮助。 2. **Java API文档**：Java是Web开发中的常用语言，理解其API可以帮助识别Java应用中的安全...
day 9 回溯算法
m0_73924943的博客
08-08 338
优化后的比之前的在叶子结点少递归一层。在排序candidates后，碰到target<0的情况直接结束本层的遍历，后面没遍历到的也不用遍历了。1.目标数n一直在随i的加入减小，如果目标数n已经<0，那么剪枝。即path中的数已经大于目标数了。利用数组去重，因为题目的数值范围小，所以可以尽量使用。剪枝优化：（对每层循环遍历的范围进行了缩小）2.对for循环i的遍历范围进行缩小。也可以不用st数组去重。
代码随想录算法训练营day36：动态规划04：1049.最后一块石头的重量II；494.目标和；474.一和零
weixin_65180740的博客
08-07 944
力扣题目链接(opens new window)有一堆石头，每块石头的重量都是正整数。每一回合，从中选出任意两块石头，然后将它们一起粉碎。假设石头的重量分别为 x 和 y，且 x <= y。那么粉碎的可能结果如下：如果 x == y，那么两块石头都会被完全粉碎；如果 x!= y，那么重量为 x 的石头将会完全粉碎，而重量为 y 的石头新重量为 y-x。最后，最多只会剩下一块石头。返回此石头最小的可能重量。如果没有石头剩下，就返回 0。输入：[2,7,4,1,8,1]输出：1。
浙大版《C语言程序设计（第3版）》题目集
qq_67330059的博客
08-09 324
其中a和b是用户传入的参数，函数返回的是两者中较大的数。
算法学习day32
最新发布
2301_78191305的博客
08-12 837
2.如果遍历到的数字可以和放一个数字构成一个有效的大写字母的ASCII值，是对dp[i+1]有用的，(这个有用是指多了dp[i-1]种分割方法）那么dp[i+1]+=dp[i-1];现在1有与3，5相乘的资格，2有与2，3，5相乘的资格，但是2×3和2×5是没必要比较的，因为有比它更小的1可以同3，5相乘，所以我们只需要比较1×3，1×5，2×2。即n=2*x+3*y+5*z。如果nums[i]==nums[i-1]&&nums[i-1]==nums[i-2] 那么dp[i]+=dp[i-1]+1;
macbook air m1 java后端
03-16
MacBook Air M1 可以作为 Java 后端开发的工具之一。M1 芯片的性能表现非常出色，可以提供更快的编译速度和更高的运行效率。同时，M1 芯片还支持 Rosetta 2 技术，可以运行 x86 架构的应用程序，这对于一些老旧的 ...
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