没有合适的资源?快使用搜索试试~ 我知道了~
ROVIO论文推导及代码解析_V5_byHK201810181
需积分: 0 10 下载量 83 浏览量
2022-08-03
15:33:37
上传
评论
收藏 1.35MB PDF 举报
温馨提示
试读
17页
2.1 状态向量的均值的预测方程 4 2.2 状态向量协方差的预测方程 5 2.3 卡尔曼增益 5 2.4 状态向量的均值更新方程 5 2.5 状态向量的协方差
资源详情
资源评论
资源推荐
1
ROVIO 论文推导及代码解析
崔华坤 2018.10.18
目录
一、整体流程图 ......................................................................................................................................... 3
二、EKF 框架............................................................................................................................................... 4
2.1 状态向量的均值的预测方程 ..................................................................................................... 4
2.2 状态向量协方差的预测方程 ..................................................................................................... 5
2.3 卡尔曼增益 ..................................................................................................................................... 5
2.4 状态向量的均值更新方程 .......................................................................................................... 5
2.5 状态向量的协方差的更新方程 ................................................................................................. 5
二、状态向量.............................................................................................................................................. 5
2.1 状态向量 .......................................................................................................................................... 6
2.2 bearing vector ................................................................................................................................. 7
三、IMU 预测 ............................................................................................................................................. 9
3.1 连续形式的 PVQB 和外参的运动方程 ................................................................................... 9
3.2 连续形式的 bearing vector 和逆深度的运动方程 ........................................................... 10
3.3 离散形式的运动方程 ................................................................................................................. 10
3.4 离散形式的协方差预测 ............................................................................................................ 11
3.5 Warping Matrix 预测 ................................................................................................................... 12
四、视觉更新............................................................................................................................................ 13
4.1 光度误差方程 ............................................................................................................................... 13
4.2 光度误差方程 G-N 求解 ........................................................................................................... 14
4.3 观测方程 ........................................................................................................................................ 15
4.4 更新状态向量和协方差 ............................................................................................................ 15
五、附录 ..................................................................................................................................................... 15
5.1 运动方程的 Jacobian 部分矩阵推导 ..................................................................................... 15
5.2 bearing vector 的连续运动方程推导 .................................................................................... 16
5.3 Warping Matrix 预测推导 ......................................................................................................... 17
六、参考文献............................................................................................................................................ 17
2
3
一、整体流程图
ROVIO 是一种基于 EKF 的视觉和 IMU 紧耦合的 VI-SLAM 框架,通过 IMU
数据来预测状态向量,通过视觉的光度误差约束来对状态向量进行更新,论文比
较新颖的地方在于将路标点的参数化方式:在当前相机坐标系下用 bearing vector
和逆深度这三个自由度来表示,并在 IMU 预测阶段对路标点进行预测,在视觉
更新时对其修正,不像其他的 VIO 框架一般仅在视觉阶段去计算。( 作者说这种
方式可以避免不可观状态量,且无需初始化,不明白为什么?)
下图是论文[1]中的流程图,下面进行详细解释:
图 1 ROVIO 流程图
① IMU 预测:当新来一组 gyr 和 acc 数据(和
)后,IMU 预测阶段需要做三
件事情:一是预测当前时刻的状态向量 x,得到均值的先验
;二是预测协
方差的先验
,并将
和
传给接下来的视觉更新过程;三是更新 Warping
Matrix,用来校正不同视角下的图像映射变化,得到第 i 个路标点的
在当前
时刻的增量:
。其中,
和
为上一时刻的后验;
①
②
④
⑥
⑧
⑤
⑦
③
⑨
4
② 视觉更新:当新来一帧图像时,需要对状态向量进行更新,得到当前时刻的
后验
和
,并进行异常点剔除;
③ IEKF:因上一步的单次 EKF 很难找到最优解,因此使用多次迭代的 EKF 来
迭代优化,得到更准确的状态向量
;
④ 相机模型:根据 IEKF 计算的状态量
,结合相机模型,计算特征点在当前
帧上的像素坐标
,传给下一步用于下一帧图像的像素位置计算;
⑤ 像素坐标校正:当新来一帧图像 I 后,计算上一帧图像中第 i 个特征点的像
素位置
在当前帧 I 中的像素映射位置为:
,
其中
为图像块中的相对坐标;
⑥ 光度误差:根据上一步得到的当前帧中的特征点像素位置
,及该特征点对
应的图像金字塔的灰度值
,计算该特征点的光度误差:
,
其中 e 为每一层金字塔的每个 patch 块的所有像素的灰度差之和;
⑦ QR 分解:根据上一步得到的光度误差,按照高斯牛顿思路进行求解,得到
Jacboain A 和误差项 b,这里并未直接对像素位置
进行直接的优化更新,而
是根据预测的
对状态向量 x 进行视觉更新,并根据更新后的
,对
进行
修正更新,并重新计算光度误差 e,然后进行多次迭代的 EKF,即图中上半
部分灰色区域的单个路标点更新迭代过程;
⑧ Patch 提取及 Warp 计算:这一步是根据 IMU 预测的 Warping Matrix 增量
计算得到当前时刻整体的 Warping Matrix
;同时,当有新的图像进来后,
对新特征点提取相应的金字塔图像块
;
⑨ 路标点质量评价及维护:当有新图像进来时,对现有路标点进行质量评价,
辞旧迎新,将新特征点的 bearing vector 和逆深度传给 patch 提取模块进行金
字塔提取。
二、EKF 框架
为了思路清晰,这里先给出 EKF 的五个公式(根据《十四讲》第 10.1.3 节):
2.1 状态向量的均值的预测方程
设运动方程为:
剩余16页未读,继续阅读
实在想不出来了
- 粉丝: 23
- 资源: 318
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0