高翔【自动驾驶与机器人中的SLAM技术】学习笔记(十三)图优化SLAM的本质

一、直白解释slam与图优化的结合

我从b站上学习理解的这个概念。

视频的大概位置是1个小时以后,在第75min到80min之间。图优化SLAM是怎么一回事。

slam本身是有运动方程 的,也就是运动状态递推 方程,也就是预测过程 。通过t1时刻,可以递推预测t2时刻的传感器位置。

重点来了:

我通过这个预测的t2时刻的位置,可以预测出,在t1时刻所建地图中特征在t2时刻的位置。

t1时刻的位置有了,观测的特征有了。对t2时刻的位置预测 可以通过运动方程递推出来。那么我就可以基于对t2时刻位姿的估计,基于这个视角,估测出此时在t1时刻时地图中那些特征点,在t2时刻时,在地图中的位置。

对t2时刻特征位置的估计有了,对t2时刻特征位置的观测有了,两者之间的差异,就是我们需要最小二乘优化的。
slam不是分为定位建图两部分嘛,我通过t2时刻定位的预测(视角,位姿),可以推断出,t2时刻可能建立的地图的样子(或者说,t1时刻的特征点,在预测t2时刻位置之后,这些特征点,在t2时刻观察时这些特征点应该在的位置)。

这个预测的地图,在理论上------如果预测准确的话,应该跟t2时刻观测的地图是一样的。

吐过位姿预测观察的地图跟实际观测的地图应该是一样的,如果不一样,这个误差就需要优化了。

这就是slam跟图优化结合的点位

二、对比案例辅助理解

回顾我们之前的图优化案例:我们有一个非线性的待拟合曲线。

基于预测的a,b,c,计算出预测的结果 ,再跟实际的观测数据 yi对比,计算误差

然后通过雅可比更新待估计的参数。使模型参数得到优化更新。

类比:

对数据的预测 有了,对数据的观测也有了。两者之间的差异最小化,就是位姿更新误差最小化。

三、图优化优势

只要把残差构建定义出来,

然后把观测数据丢给优化器就不用管了。

ceres如上,g2o如下

把待优化参数交给点,把观测数据交给边。

相关推荐
BOB-wangbaohai2 小时前
Flowable7.x学习笔记(十三)查看部署流程图
笔记·学习·流程图
古希腊掌管学习的神3 小时前
[LangGraph教程]LangGraph04——支持人机协作的聊天机器人
人工智能·语言模型·chatgpt·机器人·agent
电子云与长程纠缠4 小时前
Unreal Niagara制作SubUV贴图翻页动画
学习·ue5·编辑器·贴图·niagara
xing_x_xx5 小时前
Linux系统学习----概述与目录结构
学习
DKPT6 小时前
常见正则表达式整理与Java使用正则表达式的例子
java·笔记·学习·面试·正则表达式
爱码小白6 小时前
wordpress学习笔记
笔记·学习
我的golang之路果然有问题7 小时前
快速上手GO的net/http包,个人学习笔记
笔记·后端·学习·http·golang·go·net
大溪地C7 小时前
HTML5 详细学习笔记
笔记·学习·html5
四夕白告木贞7 小时前
stm32week12
stm32·单片机·嵌入式硬件·学习
硅谷秋水7 小时前
CoT-Drive:利用 LLM 和思维链提示实现自动驾驶的高效运动预测
人工智能·机器学习·语言模型·自动驾驶