SLAM代码（VO简介）

无人机很快会在灾难救援，工业检测环境保护方面祈祷重要作用。这样的应用中获取GPS信息是困难的。因此精确的全自动UAV备选的导航定位系统。使用惯导系统的缺点是累积误差，GPS在受限于使用环境。为了减低重量和功率消耗，视觉导航方法的优点一是不易被干扰，另外是大部分无人机已经配备了相机，视觉系统协同IMU（Inertial Measurement Unit）的方案被广泛采用。本文主要关于VO里程计简介。

定义

选择使用这个词因为它和轮式里程计类似，通过通过对轮子转动圈数积分，增量式估计机器的运动。VO由运动引起的机载相机捕获图像的变化增量式地估计机器的位姿。

assumptions

• Sufficient illumination in the environment
• Dominance of static scene over moving objects
• Enough texture to allow apparent motion to be extracted
• Sufficient scene overlap between consecutive frames

单目里程计

和双目例程计最大的区别就是尺度未知，这是因为3D结构必须从2D数据中获取，因此前两个相机位姿之间的距离设为1。 新的图像到来之后，相对尺度和相对于前两帧图像的相机位姿使用3D结构或者三焦张量trifocal tensor获取。

有三类方法，分别是feature-based methods, appearance-based methods, and hybrid methods。Feature-based methods 基于显著的可重复的特征，并在各帧图像中跟踪这些特征。appearance-based methods使用每个像素的秘籍信息或者图像的子区域进行匹配。hybrid method混合前两种方法。

减小漂移

因为VO通过增量式的计算相机的路径，每个新的帧间运动引入的误差随着时间累积。在真是的路径上会产生一个漂移。对于一些应用中，保持漂移尽量小至关重要，可以对局部几个位姿进行优化，叫sliding window bundle adjustment or windowed bundle adjustment。

VO is only concerned with the local consistency of the trajectory, whereas SLAM with the global consistency.

vo vs v-SLAM

item	VO	v-SLAM
goal	a global, consistent estimate of the robot path	local consistency of the trajectory recovering t pose only over the last n poses
map	a map of the environment	local map
previously visited area	loop closure	-
Optimization	global	local/window
trade off	consistency	performance

formulation

相邻两张图像对应的相机的位置之间的关系为一个刚体变换，如下表示
$T_{k,k-1} = \begin{bmatrix} R_{k,k-1}& t_{k,k-1}\\0&1 \end{bmatrix}$
其中$R_{k,k-1}\in SO(3)$为旋转矩阵，$t_{k,k-1}\in \mathbb{R}^3$为平移向量，集合 T1:n={ T1:0,...