SLAM中的非线性优-3D图优化之相对位姿Between Factor(七)

本节继续讲解李群李代数推导方式的相对位姿雅可比,上节讲到了对两时刻同时左扰动的方式,但是这样推导过于复杂,这一节讲解如何利用对两时刻单独左扰动的方式推导,依然使用相同的图来说明

同上节一样,先来点基础知识

一. 基础知识

1. 伴随矩阵性质

对两边同时施展逆变换可得

2. 左右扰动

二. 问题描述

位姿图残差项为:

目的利用BCH公式,将施加扰动后的残差项变为类似如下形式

三. 雅可比推导

1. 先对i时刻求导

实际是在上式左侧乘了一个单位元, 等式即可成立

代入到扰动后的残差

这样推导了i时刻的雅可比,与上节推导一模一样,但更直观更简洁

2. 再对j时刻求导

代入到扰动后的残差

直接利用伴随性质即可

3. 将两个结果放一起对比

这个对称而优美的结果显示了李群理论在推导中的强大威力

四. 总结

本节以伴随跟BCH公式为基础,直接推导了左乘扰动后的雅可比矩阵,并且最终结论与上节完全一致,相对上节的推导,单个求扰动后的雅可比更加简洁,更加容易理解,不过实现路径虽有不同,最终结论确是一致的,因此可以得出一个结论,再求解雅可比矩阵的时候,选择合适的扰动方式,往往能事半功倍。

附录

对上述几何解释中的符号相反做一个说明

为啥残差保持不变,符合相反的雅可比就是正确的呢?

简单的总结为: 只有扰动相同时,残差会保持不变,雅可比为0,这也就意味着相对位姿无法消除零空间

相关推荐
leoZ2314 小时前
本地跑大模型实战(七):llama.cpp 性能调优,让推理更快更省
java·人工智能·spring·生成对抗网络·语言模型·自然语言处理·llama
To_OC4 小时前
我把《天龙八部》塞进向量数据库后,终于搞懂了 RAG 到底是个啥
人工智能·llm·agent
蜡台4 小时前
AI Agent(智能体)入门基础教程
人工智能
Akir.weiwen5 小时前
Token 层差异:从颜色值到语义状态的三层跃迁
人工智能·设计规范
迷迭香yy5 小时前
集合竞价数据挖掘实战:用Python构建开盘信号识别系统
人工智能·python·数据挖掘
大模型momo5 小时前
Spring AI 实战:多 Agent 协作实战 —— 分工拆解复杂旅游行程任务
人工智能·spring·ai·agent·旅游
小程故事多_806 小时前
从A2C、TRPO、PPO到GRPO,强化学习策略梯度算法完整演进与大模型落地实战解析
人工智能·算法
冬奇Lab6 小时前
开源项目第176期:Better Harness — 不审查 diff,审查工作流本身,给 AI 编程 Agent 的五维评估框架
人工智能·开源·agent
冬奇Lab6 小时前
代码库知识库系列(07):混合检索 BM25 + 向量——Q8 还是失败,而且总分退步了
人工智能
ajassi20006 小时前
AI语音智能体开发日记(十一)为智能设备“声”临其境——详解音频资源自动化生成流程
人工智能·ai·ai编程