【SLAM论文笔记】PL-EVIO笔记(下)

线特征的表达

Plucker坐标:
L w = n w l , d w l \bold{L}_w=\\bold{n}\^l_w,\\bold{d}_w\^l Lw=nwl,dwl
n w l \bold{n}^l_w nwl指由坐标系原点与线决定的平面的法向量, d w l \bold{d}_w^l dwl指由线段端点决定的方向向量。

从世界坐标系 w w w转到第k帧事件相机坐标系 e k e_k ek,
L e = R w e \[ t w e × R w e 0 R w e ] L w = n e l d e l \bold{L}e=\left\\begin{array}{cc}R\^e_w\&\[t_w\^e\times R^e_w \\0&R^e_w\end{array}\right]\bold{L}_w =\begin{array}{}\\bold{n}\^l_e\&\\bold{d}\^l_e\end{array} Le=Rwe0\[twe×RweRwe]Lw=neldel

将相机坐标系下的直线投影到像平面,
l e = π e n e l = l 1 l 2 l 3 T \bold{l}_e = \pi_e\bold{n}^l_e=\begin{array}{cc}l_1\&l_2\&l_3\end{array}^T le=πenel=l1l2l3T
π \pi π指相机投影方程,与投影3D点形式一致。

6参数与4参数

论文作者讲4参数正交表达在优化中有更好的收敛性能。
R ( θ ) = n w l ∣ ∣ n w l ∣ ∣ d w l ∣ ∣ d w l ∣ ∣ n w l × d w l ∣ ∣ n w l × d w l ∣ ∣ R ( o ) = c o s ( o ) − s i n ( o ) s i n ( o ) c o s ( o ) = 1 ∣ ∣ n w l ∣ ∣ 2 + ∣ ∣ d w l ∣ ∣ 2 ∣ ∣ n w l ∣ ∣ − ∣ ∣ d w l ∣ ∣ ∣ ∣ d w l ∣ ∣ ∣ ∣ n w l ∣ ∣ R(\theta)=\\begin{array}{ccc}\\frac{n\^l_w}{\|\|n\^l_w\|\|}\&\\frac{d\^l_w}{\|\|d\^l_w\|\|}\&\\frac{n\^l_w\\times d\^l_w}{\|\|n\^l_w\\times d\^l_w\|\|}\\end{array} \\ R(o)=\left\\begin{array}{cc}cos(o)\&-sin(o) \\\\sin(o)\&cos(o)\\end{array}\\right=\frac{1}{\sqrt{||n^l_w||^2+||d^l_w||^2}}\left\\begin{array}{cc}\|\|n\^l_w\|\|\&-\|\|d\^l_w\|\|\\\\\|\|d\^l_w\|\|\&\|\|n\^l_w\|\|\\end{array}\\right R(θ)=∣∣nwl∣∣nwl∣∣dwl∣∣dwl∣∣nwl×dwl∣∣nwl×dwlR(o)=cos(o)sin(o)−sin(o)cos(o)=∣∣nwl∣∣2+∣∣dwl∣∣2 1∣∣nwl∣∣∣∣dwl∣∣−∣∣dwl∣∣∣∣nwl∣∣

线特征的残差

采用线特征的两个端点到重投影线的距离形式,
d ( p , l e ) = p l e l 1 2 + l 2 2 d(p,\bold{l}_e)=\frac{p\bold{l}_e}{\sqrt{l_1^2+l_2^2}} d(p,le)=l12+l22 ple

p采用齐次坐标 ( u , v , 1 ) t (u,v,1)^t (u,v,1)t,上式即常见的点到直线的距离公式。

实验结果

用0-5s的真值位姿与估计值对齐,获得变换矩阵SE(3),把输出轨迹与真值轨迹对齐,计算平均位置误差与轨迹长度的百分比作为精度指标。

实验室自采数据测试

首先VINS-Mono、ORB-SLAM3、PL-VINS、Ultimate SLAM EIO、Ultimate SLAMEVIO与论文不同配置的方法在自采测试数据上比较,PL-EVIO多个场景下平均相对精度最高,0.36%;尽管PL-EVIO多数条件下精度最高,但在弱光照下,PL-EIO胜过PL-EVIO;通过实验发现ORB-SLAM3的平均精度比VINS-Mono、PL-VINS、Ultimate SLAM EIO较高;将事件流积成边缘图像用于VIO,一次数据的调优参数的泛化能力很低。

UZH-FPV数据测试

PL-EVIO与ORB-SLAM3(Stereo)、VINS-Fusion(Stereo)、VINS-Mono、UltimateSLAM比较,看表格发现同一软件:单目VIO+低分辨率(346260)数据的结果相对精度比双目VIO+高分辨率(640480)的精度反而高。

四轴在线飞行实验

寻迹实验,使用VICON测量位姿真值,PL-EVIO的位置误差绝对值x&y在0.1m内,z在0.05m内,姿态滚转、俯仰角误差绝对值1度,航向角误差0-6度,显示线性发散过程。

相关推荐
xuhaoyu_cpp_java13 小时前
项目学习(三)分页查询
java·经验分享·笔记·学习
Cloud_Shy61817 小时前
解读《Effective Python 3rd Edition》:从练气到老魔(第五章 Item 33 - 35)
开发语言·人工智能·笔记·python·学习方法
做cv的小昊17 小时前
计算机图形学:【Games101】学习笔记08——光线追踪(辐射度量学、渲染方程与全局光照、蒙特卡洛积分与路径追踪)
图像处理·笔记·学习·计算机视觉·游戏引擎·图形渲染·概率论
星恒随风17 小时前
C++ 类和对象入门(五):初始化列表、explicit 和 static 成员详解
开发语言·c++·笔记·学习·状态模式
伊布拉西莫21 小时前
【流畅的Python】第20章:并发执行器 — 学习笔记
笔记·python·学习
大模型最新论文速读21 小时前
小红书提出 RedKnot:分头处理 kv 缓存,延时降低 60%效果还提升
论文阅读·人工智能·深度学习·机器学习·缓存·自然语言处理
AOwhisky1 天前
学习自测与解析:MySQL第五、六、七期核心知识点详解
运维·数据库·笔记·学习·mysql·云计算
niuniuyi~1 天前
QT学习笔记
笔记·qt·学习
咸甜适中1 天前
rust语言学习笔记Trait(十六)Error(错误)
笔记·学习·rust
xuhaoyu_cpp_java1 天前
项目学习(三)代码生成器
java·经验分享·笔记·学习