本文讨论了一种滑窗优化方法，关注于处理由10个关键帧组成的系统，状态参数包括事件点的逆深度、图像特征、IMU数据、相机间外参以及事件相机与IMU的关联。这种方法在视觉惯性导航(VINS)中增加了事件相机特性的参数估计。
滑窗优化
窗口由10个关键帧组成。
优化的状态参数包括事件点与图像点的逆深度、事件线特征的4参数正交表达（下一小节描述），各个关键帧IMU的加计和陀螺的零偏、世界坐标系下的位置p、速度v与姿态四元数q，IMU与相机的外参，IMU与事件相机的外参；比VINS多了事件点线特征的参数、事件相机与IMU的外参等。
χ
=
[
χ
b
λ
c
λ
e
ϕ
l
T
c
b
T
e
b
]
\bold{\chi} = \begin{array}{}[\bold{\chi}_b&\bold{\lambda}_c&\bold{\lambda}_e&\bold{\phi}_l&\bold{T}^b_c&\bold{T}^b_e]\end{array}
χ=[χbλcλeϕlTcbTeb]
其中，
χ
b
\bold{\chi}_b
χb是各关键帧的位姿参数包含加计、陀螺零偏，
λ
e
\lambda_e
λe、
λ
c
\lambda_c
λc分别是事件相机、普通相机的图像特征点的逆深度，
ϕ
l
\phi_l
ϕl是各关键帧事件相机图像恢复出空间直线的4参数表达。
χ
b
=
[
X
1
X
2
.
.
.
X
10
]
X
k
=
[
p
b
k
w
q
b
k
w
v
b
k
w
b
a
k
b
g
k
]
λ
c
=
[
λ
0
c
λ
1
c
.
.
.
λ
m
c
c
]
λ
e
=
[
λ
0
e
λ
1
e
.
.
.
λ
m
e
e
]
ϕ
l
=
[
ϕ
l
0
ϕ
l
1
.
.
.
ϕ
l
n
]
\bold{\chi}_b =\begin{array}{}[\bold{X}_1&\bold{X}_2&...&\bold{X}_{10}]\end{array} \\ \bold{X}_k=\begin{array}{}[p^w_{b_k}&q^w_{b_k}&v^w_{b_k}&b_{a_k}&b_{g_k}]\end{array} \\ \bold{\lambda_c}=\begin{array}{}[\lambda^c_0&\lambda^c_1&...&\lambda^c_{m_c}]\end{array} \\ \bold{\lambda_e}=\begin{array}{}[\lambda^e_0&\lambda^e_1&...&\lambda^e_{m_e}]\end{array} \\ \bold{\phi}_l=\begin{array}{}[\bold{\phi}_{l_0}&\bold{\phi}_{l_1}&...&\bold{\phi}_{l_n}]\end{array} \\
χb=[X1X2...X10]Xk=[pbkwqbkwvbkwbakbgk]λc=[λ0cλ1c...λmcc]λe=[λ0eλ1e...λmee]ϕl=[ϕl0ϕl1...ϕln]
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
