RNIN-VIO文章笔记

我的问题

1.9 dof定位各种经典研究方法研读。
2.范数的相关知识。
3.端到端网络。
4. 5-5.8数学公式。

知识积累

1.IMU运动跟踪算法,称为PDR或者INS,传统的基于运动学的算法:加速度积分方法,步长计数方法。步长计数方法了解不够。
数据驱动的算法:基于深度学习的方法。
基于传统运动学的算法中,前一种方法首先减去重力分量,得到用户的加速度,并对它们进行两次积分,得到用户平移。但由于消费级IMU存在噪声,较大误差容易累积,因此这种方法很难应用于手机。这属于误差对3D位移影响的一例。
2.先验分布:知道原因,确定结果的分布。
3.sfm:稠密重建(MVS)和模型化过程,通俗地讲,就是在之前既有的三维点云的位置信息之上,添加我们人眼所能直观感受到的视觉信息,诸如颜色和轮廓。举个形象的例子,如果我们要开发一款游戏引擎,SfM就是模型框架的绘制过程。
在这里插入图片描述

链接:https://zhuanlan.zhihu.com/p/480773237
4.VICON设备,可以提供地面真实轨迹。
5.边缘化:边缘化是一种方法,它要求对一个变量的可能值求和,以确定另一个变量的边缘贡献。这个定义可能听起来有点抽象,让我们用一个例子来说明这一点。假设我们对天气如何影响英国人的幸福这一话题感兴趣。我们可以把它写成P(幸福|天气),即给定天气类型的情况下一个人的幸福水平的概率是多少。假设我们有测量一个人幸福所需的设备和定义,并记录了一个人所在的英格兰和另一个人所在的苏格兰的天气情况。现在,通常来说苏格兰人比英格兰人更幸福。问题是,人们总是有国籍的,所以在测量中我不能摆脱这个因素。所以我们实际测量的是P(幸福,国家|天气),即我们同时关注幸福和国家。
边缘化告诉我们,如果我们把所有国家的可能性都加起来,我们可以计算出我们想要的数量(记住,英国是由三个部分组成的:英格兰、苏格兰和威尔士),即P(幸福,国家=英格兰|天气)+ P(幸福,国家=苏格兰|天气)+ P(幸福,国家=威尔士|天气)。
而就是这样!边缘化告诉我们,只要把一些概率加起来就能得到所需的概率量。一旦我们计算出了答案(它可以是一个单个值或一个分布),我们就可以得到我们想要的任何属性(推理)。
6.雅克比矩阵:在向量微积分中,雅可比矩阵是一阶偏导数以一定方式排列成的矩阵,其行列式称为雅可比行列式。雅可比矩阵的重要性在于它体现了一个可微方程与给出点的最优线性逼近。
在这里插入图片描述
7.QR分解:QR分解是一种将矩阵分解为一个正交矩阵Q和一个上三角矩阵R的乘积的方法。这种方法在求解线性代数问题,如特征值和特征向量的计算、最小二乘问题的解决、矩阵求逆等,中具有广泛的应用。QR分解法通过正交相似变化将一般矩阵转化为Hessenberg矩阵,然后应用QR方法求特征值和特征向量,利用Gram-Schmidt正交化过程来确保分解的稳定性。QR分解不仅在数值上是稳定的,对舍入误差不太敏感,而且可以产生比其他方法(如高斯消元法)更准确的结果。此外,QR分解还可用于执行Gram-Schmidt正交化,为向量空间构造正交基。
8.欧拉角是用来唯一地确定定点转动刚体位置的三个一组独立角参量,由章动角θ、进动角ψ和自转角φ组成,为L.欧拉首先提出,故得名。它们有多种取法,下面是常见的一种。如图1所示,由定点O作出固定坐标系Oxyz以及固连于刚体的坐标系Ox’y’z’。以轴Oz和Oz’为基本轴,其垂直面Oxy和Ox’y’为基本平面,由轴Oz量到Oz’的角度θ称为章动角。平面zOz’的垂线ON称为节线,它又是基本平面Ox’y’和Oxy的交线。在右手坐标系中,由ON的正端看,角θ应按逆时针方向计量。由固定轴Ox量到节线ON的角度ψ称为进动角,由节线ON量到动轴Ox’的角度φ称为自转角。由轴Oz和Oz’正端看,角ψ和φ也都按逆时针方向计量。欧拉角(ψ,θ,φ)的名称来源于天文学。
在这里插入图片描述
9.state estimate:状态估计。
10.continuous integration:连续积分。 integration 也有积分的意思。
11.四元数,是简单的超复数。 复数是由实数加上虚数单位 i 组成,其中i²= -1。 相似地,四元数都是由实数加上三个虚数单位 i、j和k 组成,而且它们有如下的关系: i² = j² = k² = -1, iº = jº = kº = 1 , 每个四元数都是 1、i、j 和 k 的线性组合,即是四元数一般可表示为a + bi+ cj + dk,其中a、b、c 、d是实数。
对于i、j和k本身的几何意义可以理解为一种旋转,其中i旋转代表Z轴与Y轴相交平面中Z轴正向向Y轴正向的旋转,j旋转代表X轴与Z轴相交平面中X轴正向向Z轴正向的旋转,k旋转代表Y轴与X轴相交平面中Y轴正向向X轴正向的旋转,-i、-j、-k分别代表i、j、k旋转的反向旋转。
个人理解,可以用四元数表示空间向量。

相关论文

Walk detection and step counting on uncon-strained smartphones.

AI-IMU dead-reckoning. 车辆位置估计

Robust visual inertial odometry using a direct EKF-based approach

Denoising IMU gyroscopes with deep learning for open-loop attitude estimation.

IONet: Learning to cure the curse of drift in inertial odometry.

A novel deep inertial odometry network for autonomous vehicles.

OriNet: Robust 3-D orientation estimation with a single particular IMU.

SVO: Fast semi-direct monocular visual odometry.

Indoor pedestrian navigation using an INS/EKF framework for yaw drift reduction and a foot-mounted IMU.

Smartphone-based pedestrian dead reckoning for indoor localization.

Keyframe-based visual–inertial odometry using nonlinear optimization.

Improving the accuracy of EKF-based visual-inertial odometry.

Learning to localise auto-mated vehicles in challenging environments using inertial navigation systems (INS)

VINS-Mono: A robust and versatile monoc-ular visual-inertial state estimator.

Machine learning for high-speed corner detection.2006

Multivariate uncertainty in deep learning.

Good features to track.

End-to-end learning framework for IMU-based 6-DoF odometry.

IDOL: Inertial Deep Orientation-Estimation and Localization.

Neural networks versus conven-tional filters for Inertial-Sensor-based attitude estimation.

A square root inverse filter for efficient vision-aided inertial navigation on mobile devices.

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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