视觉SLAM笔记(55) 位姿图

视觉SLAM笔记(55) 位姿图


1. Pose Graph 的意义

带有相机位姿和空间点的图优化称为 BA,能够有效地求解大规模的定位与建图问题
但是,随着时间的流逝,机器人的运动轨迹将越来越长,地图规模也将不断增长
像 BA 这样的方法,计算效率就会(令人担忧地)不断下降

根据前面的讨论,发现特征点在优化问题中占据了绝大多数部分
而实际上,经过若干次观测之后,那些收敛的特征点,空间位置估计就会收敛至一个值保持不动
而发散的外点则通常看不到了
对收敛点再进行优化,似乎是有些费力不讨好的

因此,更倾向于在优化几次之后就把特征点固定住,只把它们看作位姿估计的约束
而不再实际地优化它们的位置估计

沿着这个思路往下走,会发现:是否能够完全不管路标,而只管轨迹呢?
完全可以构建一个只有轨迹的图优化
而位姿节点之间的边,可以由两个关键帧之间通过特征匹配之后得到的运动估计来给定初始值
不同的是,一旦初始估计完成,就不再优化那些路标点的位置,而只关心所有的相机位姿之间的联系了
通过这种方式,省去了大量的特征点优化的计算,只保留了关键帧的轨迹
从而构建了所谓的位姿(Pose Graph)
在这里插入图片描述

在 BA 中,特征点数量远大于位姿节点的数量,一个关键帧往往关联了数百个关键点
而实时 BA 的最大计算规模,即使利用稀疏性,在当前的主流 CPU 上

©️2020 CSDN 皮肤主题: Age of Ai 设计师: meimeiellie 返回首页
实付39.90元
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值