• 欢迎访问开心洋葱网站,在线教程,推荐使用最新版火狐浏览器和Chrome浏览器访问本网站,欢迎加入开心洋葱 QQ群
  • 为方便开心洋葱网用户,开心洋葱官网已经开启复制功能!
  • 欢迎访问开心洋葱网站,手机也能访问哦~欢迎加入开心洋葱多维思维学习平台 QQ群
  • 如果您觉得本站非常有看点,那么赶紧使用Ctrl+D 收藏开心洋葱吧~~~~~~~~~~~~~!
  • 由于近期流量激增,小站的ECS没能经的起亲们的访问,本站依然没有盈利,如果各位看如果觉着文字不错,还请看官给小站打个赏~~~~~~~~~~~~~!

从零手写VIO——(一)Introduction

人工智能 芝士奶盖 1505次浏览 0个评论

前段时间周更的vSLAM基础系列突然停更了,也是因为考试周时间不足以让我在看书和写博客之间调剂了。希望朋友们能体谅一下。   从零手写VIO——(一)Introduction   从这周开始会开始更新一个新的栏目就是从零手写VIO。这个没有像视觉SLAM十四讲那样的textbook,so我们就在这个平台一起分享和学习叭~   视觉 + IMU 融合定位的基础理论和实现:

  • IMU 的工作原理和噪声方程
  • 视觉与 IMU 紧耦合 的基础理论
  • 从零开始实现 VIO 紧耦合优化器(仅基于 Eigen

VIO概述

VIO:(Visual-Inertial Odometry) 以视觉与 IMU 融合实现里程计   IMU:(Inertial Measurement Unit),惯性测量单元

  • 典型6轴 IMU 以较高频率( [公式] )返回被测量物体的角速度与加速度
  • 受自身温度、零偏、振动等因素干扰,积分得到的平移和旋转容易漂移

  加速度计Accelerometer↓   从零手写VIO——(一)Introduction 从零手写VIO——(一)Introduction 从零手写VIO——(一)Introduction   陀螺仪Gyroscope从零手写VIO——(一)Introduction 视觉:(Visual Odometry)

  • 以图像形式记录数据,频率较低( [公式] 居多)
  • 通过图像特征点或像素推断相机运动

  是不是发现了两者互补哈~

我就是在记笔记哈哈哈哈!但是不是对PPT的照搬,我虽然会把内容搬下来但是会加入我自己比较通俗的理解。

  从零手写VIO——(一)Introduction

可利用视觉定位信息来估计 IMU 的零偏,减少 IMU 由零偏导致的发散和累计误差;反之,IMU 可以为视觉提供快速运动时的定位。   松耦合 loose couple:自个算自个的,最后整合数据,是相对独立的;将 IMU 定位与视觉/GNSS 的位姿直接融合,融合过程对两者本身不产生影响,做为后处理方式输出。典型方案为卡尔曼滤波器(Kalman filtering)。   从零手写VIO——(一)Introduction   紧耦合 tightly couple:视觉和 IMU 拉着手,视觉摔翻了(GG了)IMU跟着摔(哈哈哈),就是两者同时用来估计同一个问题。   从零手写VIO——(一)Introduction   IMU 数据可与多种定位方案融合

  • 自动驾驶中通常用 IMU+ GPS/差分 GPS/RTK 的融合定位方案,形成 GNSS-INS 组合导航系统,达到厘米组定位精度;
  • 头戴式 AR/VR 头盔则多使用视觉 +IMU 的 VIO 定位系统,形成高帧率定位方案。

 

数学回顾(李群李代数的可以看,不重复写了)

视觉SLAM-从零爬起打破秃头魔咒——(三)李群与李代数   从零手写VIO——(一)Introduction   令 从零手写VIO——(一)Introduction   则有 从零手写VIO——(一)Introduction  

  • 四元数和矩阵运算类似,如何求 [公式]

由于 
[公式] 也就是四元数模长的平方,并满足交换律 
[公式] 。 从零手写VIO——(一)Introduction  

  • 3D旋转公式(这里不给出详细证明,Introduction to quaternion里有)

链接:https://pan.baidu.com/share/init?surl=XDqSzbHcmH4PERhMO_t7zA 密码: 6whk   任意向量 
[公式] 沿着以单位向量定义的旋转轴 
[公式] 旋转 
[公式] 度之后的 
[公式] 可以用四元数乘法来获得,令 
[公式] , 
[公式] ,那么:   从零手写VIO——(一)Introduction  

  • 罗德里格斯公式[公式]

  之前我写过它的证明:   从零手写VIO——(一)Introduction  

  • 在VIO中使用右乘扰动模型,之前在十四讲中,常使用的是左乘扰动模型,下面就讲讲为什么用右乘扰动模型的拙见:

首先相机坐标系为 从零手写VIO——(一)Introduction ,世界坐标系为 
[公式] ,IMU坐标系为 
[公式] ,用 
[公式] 表达并存储IMU的定位信息, 
[公式] 的平移部分.translation()可直接视作IMU在世界中的坐标。 扰动 
[公式] 是IMU在时间 
[公式] 到 
[公式] 相对于W的变换,求导对象 
[公式] 是在时间 
[公式] 时世界坐标系到IMU坐标系的变换,那么 
[公式] 就是 从零手写VIO——(一)Introduction 即右乘扰动。  

四元数对时间求导

设某个旋转运动的旋转轴为单位向量 
[公式] ,绕该轴旋转的角度为 
[公式] ,那么对应的单位四元数为:

单位四元数!就是为什么程序里定义四元数要normalize

  从零手写VIO——(一)Introduction   当旋转一段微小时间,即角度趋于0时,容易有:   从零手写VIO——(一)Introduction   ( 
[公式] 当 
[公式] 极小时, 
[公式] )   其中 
[公式] 表示旋转轴(是用 
[公式] 和单位向量 
[公式] 得出的矢量),模长
[公式] 标量表示旋转角度。 由于角速度:   从零手写VIO——(一)Introduction   四元数时间导数: 从零手写VIO——(一)Introduction   ( 
[公式] 其实就是只是实数1,也就是 
[公式] ) 旋转矩阵 
[公式] 关于时间的导数,十四讲中引出李代数时从:   从零手写VIO——(一)Introduction   得到 
[公式] 是反对称矩阵令它为 
[公式] 其实我们证明过这个 
[公式] 就是个旋转向量。   使用旋转矩阵 
[公式] 时,角速度为 
[公式] ,那么旋转矩阵 
[公式] 关于时间的导数可写作:
[公式]   该式成为泊松公式(Possion’s equation),其中 
[公式] 是反对称矩阵算子: 从零手写VIO——(一)Introduction   这里我不能确定泊松公式是否和上面的李代数的推导有关,希望有dalao能指点迷津!  

左扰动雅可比和右扰动雅可比

  • 左扰动雅可比

从零手写VIO——(一)Introduction  

  • 右扰动雅可比

从零手写VIO——(一)Introduction  

  • 旋转连乘的雅克比

BCH的线性表达: 从零手写VIO——(一)Introduction   由于要对 [公式] 上的微小量[公式] (李代数形式)求导,故要对矩阵做vee( [公式] )和对数运算( [公式] )变成李代数形式,如下:   从零手写VIO——(一)Introduction   用到了右乘小量,上面的式(2),以及 
[公式] 为SO(3)上的右雅可比:   从零手写VIO——(一)Introduction   [公式] 是AngleAxis角轴, [公式] 是旋转轴单位向量, [公式] 是旋转角也是旋转向量的模。   SO(3)的伴随性质: 从零手写VIO——(一)Introduction   求对 
[公式] 旋转连乘的雅克比: 从零手写VIO——(一)Introduction   这里能够看到,微小扰动 
[公式] 经过处理,分子上的小量成了 
[公式] ,然而右雅可比仍然是 
[公式] 的李代数构成的角轴形式表达的 
[公式] 。


开心洋葱 , 版权所有丨如未注明 , 均为原创丨未经授权请勿修改 , 转载请注明从零手写VIO——(一)Introduction
喜欢 (0)

您必须 登录 才能发表评论!

加载中……