orbSLAM2 之 追踪参考关键帧

orbSLAM2 之 追踪参考关键帧

简介:

借助BoW匹配当前帧(mCurrentFrame)和Tracking类的参考关键帧(mpReferenceKF)的特征,估计当前帧的位姿。
对[初始化后的第二帧]或者[是运动模型追踪失败]后采用此方法计算当前帧的位姿。
注意:计算的位姿是当前帧相对于世界坐标系的Tcw。

流程:

1,计算当前帧的BoW向量:mBowVec,mFeatVec。

2,匹配当前帧特征和关键帧观测的地图点。
根据当前帧和关键帧的mFeatVec及特征描述子匹配两帧的特征(同时也是匹配当前帧的特征和关键帧的地图点)。其中关键帧的mFeatVec是在局部地图线程(mptLocalMapping)中计算的。
函数ORBmatcher::SearchByBoW(),

3,以Tracking类成员变量mLastFrame的位姿作为当前帧位姿的初始值。

4,g2o优化位姿(3d-2d)。
函数Optimizer::PoseOptimization(&mCurrentFrame);

5,在当前帧匹配的地图点(mCurrentFrame.mvpMapPoints)中去除其中在优化中被视为外点的地图点。

6,被视为优化外点的当前帧匹配的地图点的mbTrackInView设置为false,该地图点的mnLastFrameSeen设置为当前帧id

7,根据优化中的内点数量判断追踪是否成功

### ORB-SLAM2 中初始化当前帧位姿的方法 在 ORB-SLAM2 的实现中,当前帧的初始位姿设置是一个重要的过程,它直接影响到后续的姿态优化以及地图构建的效果。以下是关于如何配置和初始化当前帧位姿的具体方法: #### 利用 Bow 向量进行匹配 为了估计当前帧的初始位姿,ORB-SLAM2 使用词袋模型(Bag of Words, BoW)来描述图像中的特征点分布,并通过 BoW 实现关键帧之间的快速匹配。具体来说,在 `SearchByBoW` 函数中完成这一操作: ```cpp int nmatches = matcher.SearchByBoW(mpReferenceKF, mCurrentFrame, vpMapPointMatches); ``` 该函数会基于参考关键帧 (`mpReferenceKF`) 和当前帧 (`mCurrentFrame`) 计算它们之间共享的地图点数量并返回匹配结果[^1]。 #### 设置初始位姿为前一帧的位姿 当获得足够的匹配点后,当前帧的初始位姿会被简单地设为其前一帧的关键姿态矩阵 \( T_{cw} \),即从世界坐标系到相机坐标系的变换关系。这一步骤通常发生在局部映射线程或者追踪线程中,目的是提供一个合理的初值以便进一步优化。 #### 姿态优化阶段 一旦设置了初步猜测的位置信息,则可以调用非线性最小二乘法求解器(如 g2o 或者 Ceres Solver),借助已知的空间地标位置及其对应投影误差调整最终的确切方位角与平移向量。此过程中涉及到多个约束条件的应用,比如共面假设和平滑度先验等[^4]。 #### 单目摄像头下的特殊处理 对于单目视觉 SLAM 而言,由于缺乏尺度信息,因此还需要额外考虑一些特定规则以挑选最合适的解决方案。这些标准包括但不限于: - 成功三角化的三维点数目显著高于其他候选方案; - 所选答案具备足够大的视差差异满足预定义界限要求; - 至少有百分之九十以上的有效观测能够被正确重建出来等等。 综上所述,ORB-SLAM2 采用了一种结合粗略估算加精细微调的方式来确定每一时刻摄像机所处的真实地理位置及方向参数。 ```python def initialize_current_pose(previous_pose): """ Initialize the current pose based on the previous one. Args: previous_pose (SE3): Pose from last frame Returns: SE3: Initial guess for current pose """ initial_guess = previous_pose.copy() return initial_guess ```
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值