세 IMU와 시각 정보 융합 기반의 최적화 : VIO를 이해하기 간단한

퓨전을 기반으로 VIO 번들 조정

시각 SLAM의 번들 조정 문제

알려진 :

• 초기 상태 값은 대략 주행 위치에있어서, 로봇의 기능이 위치의 위치를 ​​계산한다. 예컨대, Q = [0.96, 0, 0, 0.25, p = [1, 2, 0, F = 2, 4, 0].
• 관찰 : Z 형상의 관찰 화상 픽셀 좌표 = 100, 0];

목적 함수는 :
모든 관측치의 잔류 픽셀을 최소화하기 :
$ARG 분 \ 시그마 || Z I - \ PI (Q, P, F) ||$
여기 $\ PI (Q, P, F)$ 제 로컬 특징점 좌표로 변환하고 로컬 좌표, 프로세스의 두번째 단계로 화소 좌표 변환함으로써 두 단계이다 :
$X_ {} = PIX F_X \ FRAC {X} {Z}$
카메라가 로컬 좌표계의 두 차원, 전면 Z, X 우측은 Y를, Y는 0이었다된다.

최소 제곱 문제 해결

테일러 확장 이해 관하여 : 테일러 전개는 어느 정도 식에 의해 (대략) 복잡한 기능을 의미한다. 일반적으로, 테일러 전개는 두 가지 방법으로 얻을 수있다 :

• 이는 복잡한 식 알려져 있으며, 복잡한 표정은 1 차 미분과 이차 미분하여 얻어지는 것을 설정할 수있다.
• 때 복잡한 표현은 모르는, 또는 샘플링 포인트를 통해 테일러 확장을 공격 할 수있는 샘플링하여, 납 수 없습니다.

자동 조종 장치에서, 차선 라인을 설명하는 일반 차 곡선, 그것은 실제로 현실, 세 차선 라인 테일러 전개의 복잡합니다. 차량 좌표 시스템은 실제로 지점을 배포됩니다.

메모리 테일러 전개의 비교적 간단한 방법 : 용어를 사용하는 선형, 영점의 경우, 각각 사용 차 포물선 설명한다 .

선형 문제 문제 한번 최소 제곱 솔루션을 직접 실행 가능한 솔루션의 약 전체 범위를 설명 할 수있는 테일러 전개와 선형 인 경우.

독일인 H의 특성 : 1 차 도함수가 0 :

1. H 명확한 경우, 고유치는 0보다 큰 1 차 도함수 모노 사이토 겐을 어디 최소값.
2. 명확한 네가티브 H 경우, 고유치가 작은 제로보다 하나 아래의 1 차 도함수 , 최대 값.
3. H 불확실한 경우 모두 긍정과 부정 고유 불확실성, 안 장점이있다.

반복적 하강 방법

마음 하강 방법은 방향을 찾은 다음 단계를 결정하는 것입니다. 양극으로서 계단은, 한 차원 문제로 감소하는 경우, 즉, 그 방향 아래층 슈퍼 방향 (-X-)을 저하하고 판정 스텝 사이즈를 결정하는 광고 검색 사용을 말한다.

가파른 하강 방법

기울기의 음의 방향이 빠르게 감소한다. 즉, 접선 방향이다. 마지막에 쉬운 충격. 시작의 경우
와 $Y = \ 죄 (X)$ 이해해야한다.

뉴턴의 방법

둘째의 최고의, 가장 안정적인 있지만, 느린 지난 몇 단계에 대한 .
뉴턴의 방법은, 본질은 중학교, 차 방정식의 루트를 배우는 것입니다 : 등식 $AX BX + ^ 2 + C = O$ 값의 대부분이며 $X = - \ FRAC {B} {} 2A$어느 $A = 2분의 1 * H, B = J$ 분명,이 솔루션은 반드시 최소를 찾을 수가 없습니다, 곧 가까운 최적의 값에만 적용됩니다.

댐핑 법

규제의 크기 차 증가에 댐핑 팩터를 증가.

가우스 - 뉴턴

가우스 - 뉴톤 방법은 기본적 함수 F, 즉, 이차 형태를 나타내는 것이다 $F는 F = F *$ . 그리고 뉴턴의 방법을 보내고, 정말 간단 가우스 - 뉴턴이된다.

LM

감쇠 계수의 동적 조정은, 그 스튜어트 레빈 보 제마 알고리즘을 자랑한다.

강력한 커널

VIO 빌드 잔여 기능

시스템 상태의 양을 최적화하는 데 필요한

역의 깊이에 기초 VIO에 재 투영 오차

IMU 측정 포인트

IMU는 사전 통합

잔류 코비 유도