视觉SLAM十四讲

  • 第10讲
  • 10.1 理论部分
  • 9.2 实践部分


第10讲

10.1 理论部分

这一部分算是对第9讲的补充吧。

1）BA基本问题

  • 之前说过，BA是一种批量处理的非线性优化方法，因此BA的规模是一个不可避免的问题。下面是常见的几种控制规模的方法。
  • ① 从普通帧中选出关键帧，仅构造关键帧与路标点之间的BA。但关键帧数目过多规模同样会增大。
  • ② 滑动窗口法，仅保留离当前时刻最近的N个关键帧。但若相机静止不动，易造成退化问题。因此，有了取时间上靠近，空间上可展开的关键帧的改进。此外，考虑帧间结构深层关系，有了选取共视图中关键帧和路标点进行BA优化的改进。（共视图，指与现在的相机存在共同观测的关键帧构成的图）。
  • ③ 位姿图优化，舍弃对路标点的优化，只保留位姿之间的边。

2）滑动窗口法

  • 当有新的关键帧进入时，滑动窗口结构会发生改变，因此状态变量将经过新增和删除2步操作。
  • 新增：上一时刻已建立N个关键帧的高斯分布，新增关键帧后，仍按照正常BA流程构建N+1个关键帧的高斯分布。
  • 删除：若直接删除一个关键帧，则在边缘化该关键帧时会由于填入操作导致视觉slam和计算机视觉 视觉slam ba_slam矩阵的路标点块不再是对角块。【稀疏BA要求路标块为对角块，不要求位姿块为对角块】因此，在边缘化某个旧关键帧时，要同时边缘化它观测到的路标点。

3）位姿图

  • 在此前，介绍过的BA优化结构，是常规的以位姿和路标点位置为节点，观测方程为边的图优化模型。而由于若干次观测后收敛的特征点（路标点）位置变化很小的特性，可以构建只有轨迹的图优化，即位姿图优化：仅以位姿为节点，位姿节点之间相对运动的估计为边的图优化模型，路标点位置作为位姿估计的约束。
  • 位姿图优化中，优化变量为各个顶点的位姿，边来自于位姿观测约束。本质上仍旧是最小二乘问题，可用高斯牛顿，L-M法求解。

9.2 实践部分

待续ing