回环:像这样与之前的某一帧建立位姿约束关系就叫做回环
回环检测:找出可以建立这种位姿约束的历史帧,就是回环检测
字典:许多单词放在一起构成了词典
单词:差距较小的描述子的集合
词袋:图像上有哪几种特征(单词)来描述一幅图像
运动补偿的目的就是把所有的点云补偿到某一时刻,这样就可以把本身在过去100ms内收集的点云统一到一个时间点上去 这个时间点可以是起始时刻,也可以是结束时刻,也可以是中间的任意时刻
运动畸变: 同一个点云中,各个点在采集时,LiDAR的位姿是不同的)
激光雷达的一帧数据是过去一周期内形成的所有数据,数据仅有一时间戳,而非某个时刻的数据,因此在这一帧时间内的激光雷达或者其载体通常会发生运动,因此,这一帧的原点不一致,会导致一些问题,这个问题就是运动畸变
因此,现在利用词袋模型我们将回环检测大致分为了以下三个步骤:
- 构建字典(所有单词的集合)
- 确定一帧中具有哪些单词,用向量表示 (1表示具有该单词,0表示没有)
- 比较两帧描述向量的差异
(参考:(1条消息) 回环检测_huangkangying的博客-CSDN博客_回环检测)
一帧图像:对应到激光雷达内部就是电机旋转一圈完成扫描
BoW库:关于字典生成问题(根据图像学习单词)
位姿估计:位姿的估计往往是一个递推的过程,即由上一帧位姿解算当前帧位姿,因此其中的误差便这样一帧一帧的传递下去,也就是我们所说的累积误差。
k-means:算法思想就是首先随机确定K个中心点作为聚类中心,然后把每个数据点分配给最邻近的中心点,分配完成后形成K个聚类,计算各个聚类的平均中心点,将其作为该聚类新的类中心点,然后重复迭代上述步骤直到分配过程不再产生变化
TF-IDF:条目频率-逆文档频率,用于对单词加权。
归一化:将数据集的一列值转化到0-1的范围内。
卡尔曼滤波
位姿变换指的是每一帧点云在世界坐标系下的位姿,也可以理解为点云所处的雷达坐标系
到世界坐标系
下的变换
图优化
1. 构建图,机器人位姿当做顶点,位姿间关系当做边,这一步常常被成为前端(front-end),往往是传感器信息的堆积。
2. 优化图,调整机器人位姿顶点尽量满足边的约束,这一步称为后端(back-end)。
3.点云配准:点云配准旨在将多个点云正确配准到同一个坐标系下,形成更完整的点云。
ICP(iterative closest point)是一种最经典的点云配准算法(Besl和Mckay,1992),通过迭代对应点搜寻和最小化点对整体距离以估计变换矩阵。只适用于刚性配准。
最小二乘法:平方和最小
四元数:(类似于立体几何中的复数):
q=A+Bj=(a+bi)+(c+di)j=a+bi+cj+dk且满足
一般四元数,把标量部分a设置为0.
四元数的模称为二范数。
残差: 残差在数理统计中是指实际观察值与估计值(拟合值)之间的差
雷达坐标系(每帧扫描到的点云点的坐标point_curr都在雷达坐标系中)
里程计坐标系(由laseOdometry节点粗估计得到的LiDAR位姿wodom_curr对应的坐标系)
地图坐标系(真实的世界坐标系)