SLAM（三）

最新推荐文章于 2022-07-13 20:23:08 发布

64318@461

最新推荐文章于 2022-07-13 20:23:08 发布

阅读量171

点赞数

分类专栏： slam 文章标签： slam

本文链接：https://blog.csdn.net/weixin_56836871/article/details/119851557

版权

本文深入探讨了SLAM（Simultaneous Localization And Mapping）中的BA（Bundle Adjustment）优化过程，包括投影模型、非线性优化的Gauss-Newton和Levenberg-Marquardt方法。通过分析H矩阵的稀疏性，展示了如何利用Schur补简化求解，以适应大规模优化问题。此外，文章还介绍了位姿图的概念，强调在回环检测后如何通过Pose Graph优化轨迹，减少累积误差。最后，提到了回环检测的重要性以及基于几何和外观的回环检测方法，并简单介绍了词袋模型在图像相似度计算中的应用。

摘要由CSDN通过智能技术生成

思维导图

在这里插入图片描述

投影模型

根据观测方程建立目标函数
在这里插入图片描述

BA求解

根据非线性优化的思想，从某个初始值开始不断地寻找下降方向 ∆x 来找到目标函数的最优解。我们把自变量定义成所有待优化的变量（位姿和路标），然后不断增量求解：
在这里插入图片描述
目标函数变为：

其中 Fij 表示相机姿态的偏导数，而 Eij 表示路标点的偏导。写成矩阵的形式如下：

在这里插入图片描述
其中Xc为所有位姿项，Xp为所有路标项
根据前面的非线性优化求解，不管的是G-N法还是L-M法都面临下面的线性方程求解：

在这里插入图片描述
无论采用什么方法，其雅克比阵为：

以G-N法为例其H取H 是取 JT J，（L-M法的H为JT J + λI 的形式）

包含了所有的相机位姿和路标点所有的优化变量，这个线性方程的维度将非常大。直接对 H 求逆
来计算增量方程，由于矩阵求逆是复杂度为 O(n3) 的。

稀疏性

在 21 世纪早期，视觉领域研究者已经开始用 BA 进行重构，但通常认为包含大量特征点和位姿的 BA 计算量过大，不适合实时计算。直到近十年来，研究人员逐渐认识到 SLAM 问题中的稀疏特性，才使它能够在实时场景中使用。
H 阵是有J阵组成的（不管是G-N法还是L-M法）。考察一个误差项 eij，在 ξi 看到 pj，只涉及到第 i 个相机位姿和第 j 个路标点，对其余部分的变量的导数都为 0，如下：
在这里插入图片描述
我们设 Jij 只在 i, j 处有非零块，那么它对