VSLAM中因子图的进阶(DSO因子图拆解)

最新推荐文章于 2025-04-29 18:49:36 发布
最新推荐文章于 2025-04-29 18:49:36 发布
阅读量339 收藏 1
点赞数 2
分类专栏： VIO与多传感器融合融态 文章标签： 线性代数 计算机视觉 机器学习 人工智能 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_66666206/article/details/126399459
版权

之前写了一篇VIO因子图的，感觉写得不好，今天搞个进阶

以DSO作为蓝本来做说明，图源是东北大学龚益群同学的，他对因子图的讲解稍笼统了一些，今天完整地拆解一下DSO因子图。

DSO是一个很有意思的系统，先看看H矩阵的整体构成：

这个H矩阵和我们传统看到的H矩阵是有很大不同的，其中f表示状态量，d表示逆深度，还多了一个相机内参的优化c。这也是DSO比较独特的地方，同时优化位姿/逆深度/光度误差。

Hff: 状态的Hession

Hcc:相机内参的Hession

Hdd:特征点逆深度Hession

Hfc:状态量与相机内参联合Hession

Hcd:逆深度与相机内参的联合Hession

Hfd:状态量与逆深度的联合Hession

第一张图的理解是整个因子图拆解中最重要的，起始位姿与起始点f1/x1关联着先验p1与p2.F和R分别对应当前状态的估计与残差值。

这里面需要认真理解的是F和R后续的数字，其中第一个1,2,3指的是对应状态或

最低0.47元/天 解锁文章
MATLAB算法实战应用案例精讲-【人工智能】SLAM（概念篇）（最终篇）
qq_36130719的博客
06-06 1467
针对环境的描述（地图），目前各国研究者已经提出了多种表示法，大致可分为三类：栅格表示、几何信息表示和拓扑图表示，每种方法都有自己的优缺点。栅格地图表示法即将整个环境分为若干相同大小的栅格，对于每个栅格，各自指出其中是否存在障碍物。这种方法最早由Elfes和Moravec提出，而后Elfes进行了进一步的研究。优点是：(1)创建和维护容易， (2) 尽量保留了整个环境的各种信息， (3)借助于该地图，可以方便地进行自定位和路径规划。
SLAM中的因子图
weixin_37709708的博客
09-20 6672
看论文，发现很多SLAM方面的文章都涉及图优化，其中更包含有因子图。正好前段时间看了PRML，将其进行整理。 （诶，果然理论的内容就是得及时用起来，现在又记不太清楚了） 因子图 来自于PRML第八章“图模型” 有向图和无向图都使得若干个变量的一个全局函数能够表示为这些变量的子集上的因子的乘积。由因子图表示这个分解 因子图表示分解的方法：在表示变量的结点的基础上，引入额外的结点表示因子本身 将一组...
VIO中因子图的运用方式(以ICE和VI-DSO为例)
weixin_66666206的博客
08-15 691
Factor graph因子图，VIO中因子图的应用，VI-DSO，DSO, ICE，残差矩阵与信息矩阵，Jacobian和Hession
因子分解
kt1776133839的博客
02-27 714
#include<bits/stdc++.h>using namespace std;int a[10001];void search(int x,int y){ if((x==0)||(y>x))return; while(x%y==0)x/=y,a[y]++; search(x,y+1);}int main(){int n; cin>>n;...
一文让你看懂因子剥离模型
量化交易研究
08-02 1451
“ 基金的筛选是FOF投资管理的重要环节。本文将从因子剥离模型在FOF类基金中的应用、因子剥离模型的优化两个方面，为筛选基金提供参考。 ” FOF（Fund of Funds）：基金中的基金，也称为母基金，而FOF购买的基金称为子基金。假设你投资了一只FOF，等同于你买了一个基金篮子，篮子里放了多只基金。 筛选合适的基金放入你的FOF筐里是FOF投资管理的重要环节，而母基金构建过程中通常要涉及...
因子和质因子的分解
qq_44797733的博客
05-13 1092
质因子分解：首先满足分解的因子为质数（1不为质数）任何一个自然数都可以分解为质数的乘积例如：15=3*5 20=2*2*5 所以15的质因子为3和5 ，20的质因子为2和5 因子分解：分解的因子可以不为质数，例如：20=1*20 20=2*10 20=4*5 所以因子(这里求的是不包括自身的因子)：1,2,4,5,10原理就是：枚举[1,n½]找出区间内能被n整除的数，找到一个就可以找到俩个因子。 质因子分解还可以先对素数进行筛选，再找质因子比较简单 可以参考这篇博客：http...
vslam流程框架介绍
chengwei_peng
08-23 1万+
vslam框架是怎样的呢？下面一起来看看。
因子图（factor graph）
wydbyxr的博客
09-04 5万+
因子图（factor graph） 　　Factor Graph 是概率图的一种，概率图有很多种，最常见的就是Bayesian Network (贝叶斯网络)和Markov Random Fields(马尔可夫随机场)。 　　在概率图中，求某个变量的边缘分布是常见的问题。这问题有很多求解方法，其中之一就是可以把Bayesian Network和Markov Random Fields 转换成F...
《因子图在SLAM中的应用》中文版解读
辣屁小心的学习笔记
10-30 6259
三个字回答这本书：很不友好！！！ 四个字评价这本书：非常不友好！！！ 由于iSAM算法理论的权威仰慕而拜读此书，中文版定价52.9，都可以接受 但是可能是作者觉得读者朋友都是数学方面的大神，所以对于大部分公式的推到都是泛泛而谈 也因此整本书才只能有一百多页而不能更多？ 对于细节理论的充要解释不足，只是说要这么滴这么滴，但是为什么要这么滴，凭什么这么滴，这么滴的由来，概述不清，甚至没有，这...
因子图与和积算法
chuancyli的博客
11-01 2万+
在1981年Tanner的论文中，介绍了一种可以用来表示码字的图形，称为Tanner图。 Tanner图包含两类节点：码元（变量）节点和校验节点，然后通过边连接这两种不同的节点，并且同种节点间不能有直接的边连接。如果给定一个码字的码元数和它的校验方程，则用Tanner图可以唯一地确定该码字。例如一个（7, 3）线性分组码，其校验方程为：    在用Tanner图表示的过程中， 码的译码算法是...
SLAM8-后端的其他方法，BA与图优化，Pose Graph优化的理论与公式详解、因子图优化
Summer_star_summer的博客
07-17 2703
1、BA方法 Bundle Adjustment翻译过来是“光束调整”，意思是每个特征反射的光束，通过调整它们的空间位置和相机姿态，使它们都汇聚到相机光心，这个过程叫BA。 假定世界坐标系下的点p,通过K,T之后转换为了像素坐标，把这个过程用方程描述为z=h(x,y)其中x是位姿T，y是路标点p，误差函数写为： 通过同时把T,P作为优化量来进行调整，对误差函数进行求解，就是所谓的BA 2、BA的求解 由于误差函数不是线性的，所以我们想到用增量△x的方法，逐步迭代。当给误差函数一个增量△x时，函数变为：
三.因子图优化学习---董靖博士在泡泡实验室的公开课学习
weixin_36773706的博客
01-13 2104
专栏系列文章如下： 一.因子图优化学习---董靖博士在深蓝学院的公开课学习（1）_goldqiu的博客-CSDN博客 二.因子图优化学习---董靖博士在深蓝学院的公开课学习（2）_goldqiu的博客-CSDN博客 先放个视频链接： 【泡泡机器人公开课】第五十六课：gtsam_tutorial-董靖_哔哩哔哩_bilibili 理论部分 SLAM属于链状的贝叶斯网络，当前的状态只跟上一个状态有关，路标点的测量值只跟当前状态和所对应路标点位置有关。 先验分布或者先验值可以预设或者通过GPS等有绝
SLAM14讲学习笔记（七）后端（BA与图优化，Pose Graph优化的理论与公式详解、因子图优化）
微鉴道长的博客
04-07 2万+
上一节内容中我总结了卡尔曼滤波器的推导及其扩展的过程SLAM14讲学习笔记（六）后端（最难一章：卡尔曼滤波器推导、理解以及扩展），我认为那部分内容直接接触是比较难以理解的。但是高博书中也说了，卡尔曼滤波器并不是主流方法，主要还是通过BA或者其他方式来做优化。 SLAM十四讲中，后端分为两节，在我的笔记里，把卡尔曼滤波器单独拿出来做了一个笔记，然后剩下的内容总结在这里，作为第二个后端优化的笔记。在...
VINS-Mono边缘化策略的思考
jiweinanyi的博客
09-18 1000
最近在看VINS-Mono的代码，关于边缘化过程产生了一些疑问，在构造信息矩阵H后，对H矩阵进行边缘化操作，产生先验信息矩阵，然后再和后面的新的因子图的信息矩阵进行叠加形成了新的信息矩阵，然后再进行求解。但是由于新的因子图构造包含了上一个因子图中的大部分节点。因此，先验的信息矩阵中就包含了被保留节点的残差信息，然后新的因子图对应的信息矩阵又包含了被保留节点的残差信息，这样不就重复添加了被保留的边了...
因子分解机（Factorization Machine）详解（一）
lijingru1的博客
03-17 1万+
Factorization Machine 因子分解机(Factorization Machine, FM)是由Steffen Rendle提出的一种基于矩阵分解的机器学习算法。目前，被广泛的应用于广告预估模型中，相比LR而言，效果强了不少。我们可以认为，这个模型结合了SVM的优点与分解模型的优点。与SVM类似的是，FM是一个广泛的预测器，可以兼容任意实值的特征向量。而与FM不同的是，FM对于所有...
22:因子分解
weixin_33875564的博客
03-13 637
22:因子分解 查看 提交 统计 提问 总时间限制: 1000ms 内存限制: 65536kB描述 输入一个数，输出其素因子分解表达式。 输入输入一个整数 n (2 <= n < 100)。输出输出该整数的因子分解表达式。表达式中各个素数从小到大排列。如果该整数可以分解出因子a的b次方，当b大于1时，写做 a^b ；当b等于1时，则直接写成a。样例...
简单易学的机器学习算法——因子分解机(Factorization Machine)
热门推荐
null的专栏
05-06 6万+
一、因子分解机FM的模型 因子分解机(Factorization Machine, FM)是由Steffen Rendle提出的一种基于矩阵分解的机器学习算法。1、因子分解机FM的优势 对于因子分解机FM来说，最大的特点是对于稀疏的数据具有很好的学习能力。现实中稀疏的数据很多，例如作者所举的推荐系统的例子便是一个很直观的具有稀疏特点的例子。2、因子分解机FM的模型
DSO源码解析学习笔记（滑窗优化）
秃头队长
04-11 978
选择要边缘化掉的帧 对于关键帧的边缘化策略 活跃点只剩下5%的; 2和最新关键帧曝光变化大于0.7; 距离最远的关键帧 遍历关键帧 通过保留的点和边缘化点的比例，以及光度变化比例判断是否要被边缘化。 如果剩下的关键帧依然大于设定窗口的最大值，利用帧间距离（保证良好的空间结构）继续筛选marg的帧。 加入到关键帧序列 setPrecalcValues() 构建之前关键帧与当前帧fh的残差(...
人工智能数学基础（四）：线性代数
最新发布
2302_80961196的博客
04-29 1464
线性代数是人工智能领域的核心数学工具之一，广泛应用于数据表示、模型训练和算法优化等多个环节。本文将系统梳理线性代数的关键知识点，并结合 Python 实例，助力读者轻松掌握这一重要学科。4.1 行列式4.1.1 行列式定义行列式是一个方形矩阵的标量值，反映了矩阵所代表的线性变换对空间体积的缩放比例。对于 n 阶方阵，行列式可递归定义，也可通过全排列展开计算。4.1.2 行列式的性质行列式具有以下重要性质：行列式与转置矩阵的行列式相等。交换矩阵的两行，行列式变号。
评论 1
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