EKF v.s. MSCKF v.s. MAP (VINS-Mono)
[TOC]
Overview
\[z = f(x) + n, \quad n \sim \mathcal{N}(0, \Sigma), \quad z \sim \mathcal{N}(f(x), \Sigma)\]
\[P(z \mid x)
= \mathcal{N}(z; f(x), \Sigma)
= \eta \exp \left(-\frac{1}{2}(z-f(x))^{T} {\Sigma}^{-1}(z-f(x))\right)\]
EKF
true state
\[\begin{aligned}
x_k &= f(x_{k-1}, w_{k-1}) \\
z_k &= h(x_k, v_k)
\end{aligned}\]
norm...
基于RGBD相机的多模态结构特征融合定位 (Draft)
[TOC]
概述
目前基于RGBD相机的视觉SLAM系统,都是基于特征点或者稠密点云进行定位,计算量大,而且在无纹理或弱纹理的环境,容易跟丢,鲁棒性较差。本文提出了一种基于RGBD相机的多模态结构化数据融合定位方法,算法主要框架如下图所示,通过充分利用视觉特征,融合二维特征点、二维曲线(边缘点)、二维线段和三维平面等,结合状态估计算法进行实时、鲁邦、准确的位姿估计。在二维特征点的基础上,同时提取边缘特征,使其在弱纹理的环境也能快速、鲁棒定位;另外,在每个关键帧提取2D线段和3D平面等特征,在不增加较多计算量的情况下,引入更多稳定的视觉约束,使位姿估计更准确。
Preprint (RG): Multimodal Structural Feature Fusion Loca...
SLAM中的3D特征参数化表示
[TOC]
Overview
一般表示形式
优化形式(避免过参数化)
特征的参数化表示,即以何种方式表示特征,在优化中决定了特征以何种参数进行的迭代更新,或者 在EKF中决定了以何种参数构建高斯模型。不论在优化还是EKF中,我们关心的都是特征在图像上的投影与特征参数之间的关系(Jacobian)。
过参数化(Overparameterization) 问题
特征参数化之后参数的个数大于实际表示的 自由度 的表现形式就被称为 过参数化
3D Point
\[P: \left[ X \; Y \; Z \right]^T\]
3 DoF
ref:
VSLAM中特征点的参数化表示
https://docs.op...
图像频率域分析之频域谱(FDE)
[TOC]
Overview
code: https://github.com/cggos/cvkit/blob/master/scripts/cv_py/fft_fde.py
主要用于:
图像模糊度计算
镜头对焦
频域熵(FDE)
计算图像的 频域谱,表示如下
\[f(i, j)\]
将其 幅度谱 归一化
\[f_{\text {norm }}(i, j)=\frac{1}{\sum_{(i, j) \in D}|f(i, j)|}|f(i, j)|\]
计算 归一化幅度谱 的 信息熵,即最终的 FDE
\[F D E=-\sum_{(i, j) \in D} f_{\text {norm }}(i, j) \cdot \log \left(f_{\...
镜像变换
2D
对于2D空间的某个条直线做镜像,假设该直线的 单位法向量 u(x,y),由 $Q=I-2 u u^{T}$ 计算得到2D空间的镜像矩阵
\[\left[
\begin{array}{cc}
1-2 n_{x}{ }^{2} & -2 n_{x} n_{y} \\
-2 n_{x} n_{y} & 1-2 n_{y}{ }^{2}
\end{array}
\right]\]
3D
针对3D空间任意一平面进行镜像变换,n为镜像平面的法向量
\[\left[
\begin{array}{ccc}
1-2 n_{x}{ }^{2} & -2 n_{x} n_{y} & -2 n_{x} n_{z} ...
Lie Group and Lie Algebra: SO(3), SE(3)
Overview 1
Matrix Exponential & Logarithm
已知 $A \in \mathbb{R}^{M \times M}$,
\[\exp (\mathbf{A})
=\sum_{n=0}^{\infty} \frac{1}{n !} \mathbf{A}^{n}
=\mathbf{1}+\mathbf{A}+\frac{1}{2 !} \mathbf{A}^{2}+\frac{1}{3 !} \mathbf{A}^{3}+\cdots\]
\[\ln (\mathbf{A})=\sum_{n=1}^{\infty} \frac{(-1)^{n-1}}{n}(\mathbf{A}-\mathbf{1})^{n}\]
Lie B...
Data Association in ORB-SLAM2
[TOC]
Overview
Map Points & KeyFrames
Each keyframe $K_i$ stores
ID
static long unsigned int nNextId;
long unsigned int mnId;
const long unsigned int mnFrameId;
camera pose
camera intrinsics
KeyPoints related
// Number of KeyPoints
co...
From MAP, MLE, OLS, G-N to IEKF, EKF
[TOC]
Overview
本文主要包括以下几个方面:
将线性高斯系统的状态空间方程(运动和观测方程,即多个似然因子)组合为一个新的观测方程,其实就是将多个约束项放在一起
推导了MAP到MLE,再到OLS的历程
以上面系统的状态估计为出发点,推导了最小二乘、高斯牛顿、IEKF和EKF的区别与联系,将优化与滤波联系在一起,导出了高斯牛顿海塞矩阵H与EKF协方差矩阵P的关系,证明了IEKF与高斯牛顿的等价性,以及EKF即是高斯牛顿的一次迭代
Linear-Gaussian System
定义 非线性系统
\[\begin{cases}
x_{k}^- = g(x_{k-1}) + v, \quad v \sim ...
100 post articles, 13 pages.