2025年滑动窗口和边缘化

滑动窗口和边缘化1 为什么需要滑动窗口 在 SLAM 问题中 状态估计问题被建模为最大后验概率问题 在假设为高斯分布的情况下即为最小化损失函数的一个最小二乘问题 并通过泰勒展开转化为增量迭代求解问题 随着 SLAM 系统的运行 状态变量的规模不断增大 如果使用滑动窗口

大家好,我是讯享网,很高兴认识大家。

1. 为什么需要滑动窗口?

在SLAM问题中,状态估计问题被建模为最大后验概率问题,在假设为高斯分布的情况下即为最小化损失函数的一个最小二乘问题,并通过泰勒展开转化为增量迭代求解问题。

随着SLAM系统的运行,状态变量的规模不断增大,如果使用滑动窗口,只对窗口内的相关变量进行优化,便可以大大减小计算量。

2. 为什么需要边缘化?

对于滑窗外的状态,我们不去进行优化,但也不能直接丢掉,这样会破坏原有的约束关系,损失约束信息。采用边缘化的技巧,将约束信息转化为待优化变量的先验分布,实际上是一个从联合分布中获得变量子集概率分布的问题。

3. 怎样进行边缘化?(舒尔补)

边缘化分两种情况,每种情况有各自的流程

a. 如果次新帧是关键帧,则将边缘化最老帧,将其看到的路标点和IMU数据,转化为先验。

具体流程为:

1)将上一次先验残差项传递给marginalization_info

2)将第0帧和第1帧间的IMU因子IMUFactor(pre_integrations[1]),添加到marginalization_info中

3)将第一次观测为第0帧的所有路标点对应的视觉观测,添加到marginalization_info中

4)计算每个残差,对应的Jacobian,并将各参数块拷贝到统一的内存(parameter_block_data)中

5)多线程构造先验项舒尔补AX=b的结构,在X0处线性化计算Jacobian和残差


讯享网

6)调整参数块在下一次窗口中对应的位置(往前移一格),注意这里是指针,后面slideWindow中会赋新值,这里只是提前占座

b. 如果次新帧不是关键帧,此时具体流程为:

1)保留次新帧的IMU测量,丢弃该帧的视觉测量,将上一次先验残差项传递给marginalization_info

2)premargin:计算每个残差,对应的Jacobian,并更新parameter_block_data

3)marginalize:构造先验项舒尔补AX=b的结构,计算Jacobian和残差

4)调整参数块在下一次窗口中对应的位置(去掉次新帧)

4. 如何实现滑窗?

如果次新帧是关键帧,则边缘化最老帧,将其看到的特征点和IMU数据转化为先验信息。

如果次新帧不是关键帧,则舍弃视觉测量而保留IMU测量值,从而保证IMU预积分的连贯性。

参考:

VINS-Mono源码解读(四):滑动窗口和边缘化 - 知乎 (zhihu.com)

浅谈SLAM边缘化 - 知乎 (zhihu.com)

SLAM中的marginalization 和 Schur complement_slam边缘化_白巧克力亦唯心的博客-CSDN博客

VINS-Mono关键知识点总结——边缘化marginalization理论和代码详解_vins 边缘化_Leo-Peng的博客-CSDN博客

小讯
上一篇 2025-02-06 13:00
下一篇 2025-02-15 16:19

相关推荐

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容,请联系我们,一经查实,本站将立刻删除。
如需转载请保留出处:https://51itzy.com/kjqy/78919.html