zoukankan      html  css  js  c++  java
  • 视觉SLAM(七)后端优化

    一 递归方法

    后端(Backend)

    • 带噪声的数据估计内在状态——状态估计问题
    • Estimated the inner state from noisy data

    渐进式(Incremental/Recursive)

    • 保持当前状态的估计,在加入新信息时,更新已有的估计(滤波)
    • 线性系统+高斯噪声=卡尔曼滤波器
    • 非线性系统+高斯噪声+线性近似=扩展卡尔曼
    • 非线性系统+非高斯噪声+非参数化=粒子滤波器
    • Sliding window filter & multiple state Kalman (MSCKF)

    批量式(Batch)

    • 给定一定规模的数据,计算该数据下的最优估计(优化)

    数学描述

    从贝叶斯滤波器来推导卡尔曼滤波器










    Kalman Filter 的非线性扩展: EKF


    优点

    1. 推导简单清楚,适用各种传感器形式
    2. 易于做多传感器融合

    缺点

    1. 一阶马尔可夫性过于简单
    2. 可能会发散(要求数据不能有 outlier
    3. 线性化误差
    4. 需要存储所有状态量的均值和方差,平方增长

    二 批量方法












    三 Pose Graph

    实际当中 BA 的计算量很大
    • 通常放在单独的后台线程中计算而无法实时
    • 主要计算来自于大量的特征点
    Pose Graph 即是省略了特征点的 Bundle Adjustment



  • 相关阅读:
    DTS和AC3的区别
    bind出现 file does not end with newline错误
    删除桌面菜单多余项
    you have requested a nonexistent service "grid"
    php 常用函数
    Jquery
    Twig 的Filters学习
    Twig 的 tags学习(中文) 之三 完结
    PHP 正则表达式
    SQL处理字符串
  • 原文地址:https://www.cnblogs.com/guoben/p/13222395.html
Copyright © 2011-2022 走看看