高翔 slam"/>
高翔 slam
第四讲 李群李代数
李群和李代数是一个集合,它们自己特有的一些性质。
SO(3)和SE(3)都属于李群,它们具有一些性质(只能相乘,不能相加):
目的:讲李群和李代数的目的是因为李群没有加法不能求导,通过对应的李代数去求导。
李代数:
R(t)和***的关系:
========================================================3
第五讲 相机与图像
外参 内参
世界坐标--------》相机坐标-------》像素坐标
双目摄像机:
通过视察求深度
第六讲 非线性优化:
其中p(z|x)称最大释然,p(x)是先验。p(x|z)是z发生的情况下x发生的概率
最小二乘实质:
通过大量的(x,y)去求得一个合适的a b c。
第七讲 视觉里程计:
特征点的信息:
对极约束:2D-2D(求得两图片的相对运动)(单目)
通过求 E(本质矩阵)恢复求得R,t。F(基础矩阵)也可以恢复R,t,只不过和相机内参有关。这样得到变换关系。
三角测量:
通过对极约束求得两张照片的运动后,再通过三角测量求深度
Bundle Ajustment:最小化重投影误差
PNP是为了将问题过渡到ICP问题。
VO总结:对几何–PNP–ICP(没有深度–有一个图的深度–有两个图的深度)得到的深度也越来越准
直接法:
找出一个点P1,假设它的投影是p2。此时有初始化的R,t。
通过P1,P2两点的灰度值相同,优化R,t。找到真正的P2。此时优化出来的R,t就是相机的旋转和平移
关于观测方程的理解:
不妨设某个时刻小萝卜的位姿是T,它观测到了一个世界坐标点位于p点,参生了一个观测数据z:
z=Tp +w
z为当前图像(坐标系)中p的坐标
T为位姿(从初始位置到当前位置的R,t)
p的参数为世界坐标系中的坐标
w为误差
e = z-Tp
减小e 最终优化T 得到最优T
下面这个运动方程表达方式换了一下:
书P74,P106,P237页都有说这个方程。
第十讲卡尔曼滤波:
由于运动过程中参数的噪声是符合高斯分布的。如:
wk~N(0,R)。那xk的位资也就出现了多种可能性。
第十二讲:回环检测
会环检测:在某时刻的图像和之前的图像进行比较,看是走到了相似的位置。以此来减少误差。
更多推荐
高翔 slam
发布评论