Java教程

LSD-slam算法原理

本文主要是介绍LSD-slam算法原理,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

文章目录

    • LSD-slam算法原理
    • 一、 预先知识:
      • 1、三维刚体与相似变换
        • 1.1 三维刚体变换
        • 1.2 三维相似变换
      • 2、基于李群的带权重的高斯牛顿优化
        • 3、不确定性评估
    • 二、 LSD算法思路
    • 三、算法各部分介绍
      • 1、使用直接法估计图像帧的位姿
      • 2、深度评估
        • 2.1 关键帧选择
        • 2.2 深度地图创建
      • 3 基于相似矩阵sim(3)的直接法
        • 3.1 基于相似矩阵sim(3)的直接图像对齐
        • 3.2 回环检测
        • 3.3三维变换矩阵sim(3)的收敛半径
      • 4 地图更新

LSD-slam算法原理

论文:LSD-SLAM: Large-Scale Direct Monocular SLAM

一、 预先知识:

1、三维刚体与相似变换

1.1 三维刚体变换

仅包括6个自由度,即三轴旋转和三轴偏移,变换矩阵定义如下:
在这里插入图片描述
李代数与变换矩阵的转换关系:
定义李代数: ξ ∈ s e ( 3 ) \xi \in se\left(3\right) ξ∈se(3)
G = e x p s e ( 3 ) ( ξ ) , ξ = l o g S E ( 3 ) ( G ) {G}={exp}_{se(3)}(\xi), \xi = log_{SE(3)}(G) G=expse(3)​(ξ),ξ=logSE(3)​(G)
变换矩阵叠加相乘,对应的李代数的运算:
在这里插入图片描述

1.2 三维相似变换

包括7个自由度,除三轴旋转及三轴偏移之外,还有一个尺度因子s,用于对深度测量的尺度进行评测。相似变换矩阵定义如下:
在这里插入图片描述

2、基于李群的带权重的高斯牛顿优化

直接法的误差公式:
在这里插入图片描述
其中, ω ( p , d , ξ ) \omega\left(p,d,\xi\right) ω(p,d,ξ)函数利用两帧间的位姿变换

这篇关于LSD-slam算法原理的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!