vins-mono(3)后端非线性优化

最新推荐文章于 2025-06-04 10:52:50 发布
原创 最新推荐文章于 2025-06-04 10:52:50 发布 · 804 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#vins-mono

紧耦合单目VIO:

初始化之后,执行一个基于滑窗的紧耦合单目VIO,得到精度更高鲁棒性更好的状态估计值.

滑窗中的状态向量定义为:

                                        在这里插入图片描述

xk是某一时刻捕获第k帧图像时IMU的状态.共包括滑动窗口内的n+1个所有相机的状态,相机和IMU的外参,m+1个3d点的逆深度.

采用BA优化,它的目标函数是–建立视觉惯性的BA优化模型:

        在这里插入图片描述

其中三个残差项分别是边缘化的先验信息,IMU测量残差,视觉的重投影残差.

a.IMU测量残差

在这里插入图片描述

优化变量为:

        &nb

最低0.47元/天 解锁文章

200万优质内容无限畅学
VINS-Mono 代码详细解读——基于滑动窗口的紧耦合后端非线性优化 optimization()+滑动窗slideWindow()
try_again_later的博客
03-21 6154
上一篇文章是基于滑动窗的紧耦合后端非线性优化的理论部分，主要分为以下部分： VIO残差函数构建 视觉约束：视觉重投影误差residual、残差对状态量的Jacobian、协方差 IMU约束：residual、Jacobian、Covariance 基于舒尔补的边缘化 本文将对Estimator::optimization()函数的代码进行详细讲解。 目录 一、VIO残差函数构建...
VINS-MONO理论学习---紧耦合后端非线性优化
xiaojinger_123的博客
08-13 1236
基于滑动窗的紧耦合后端非线性优化：将视觉约束、IMU约束、闭环约束放到一个大的目标函数中进行非线性优化，求解出滑动窗口中所有帧的PVQ、bias等。 在视觉约束和IMU约束中，基本思想是找到优化状态向量，然后通过视觉残差和IMU测量残差分别对状态向量求导，获得视觉和IMU预积分的Jacobian和协方差矩阵。 一、VIO残差函数的构建 1、需要优化的状态向量： 状态向量包括滑动窗口内的所有相机状态（位置P、旋转Q、速度V、加速度偏置ba、陀螺仪偏置bw）、相机到IMU的外参、所有3D点的逆深度： 第一个式
VINS-Mono理论学习——后端非线性优化
Manii
06-27 1万+
本文主要介绍VINS状态估计器模块（estimator）在完成了系统初始化后，对视觉与IMU信息进行基于滑动窗口的紧耦合过程中用到的非线性优化理论。这部分对应论文第六章（VI. TIGHTLY-COUPLED MONOCULAR VIO），并参考了崔博的《VINS论文推导与代码解析》、深蓝学院的VIO课程内容。主要想对目标函数中视觉残差和IMU残差，以及对应的雅可比、协方差进行推导。
【VINS-Mono算法深度解析：边缘化策略、初始化与关键技术】
最新发布
weixin_47429781的博客
06-04 989
VINS系列算法是基于视觉-惯性融合的高精度导航系统，核心分为数据预处理、系统初始化、滑窗VIO和回环检测四个模块。关键技术包括光流跟踪、IMU预积分和紧耦合优化。边缘化策略通过FEJ原理保持系统可观测性，差异化处理关键帧和非关键帧。与ORB-SLAM3相比，VINS采用滑动窗紧耦合优化和单位球面投影。初始化阶段通过视觉-惯性对齐恢复尺度与重力，并对退化运动进行特殊处理。基础矩阵在低视差场景下提供更稳定的位姿估计。算法通过Ceres实现边缘化因子，确保高效优化与约束保留。
vins-mono后端优化
m0_47240785的博客
01-22 383
预积分量约束第i，j帧的残差计算： // 计算和给定相邻帧状态量的残差 Eigen::Matrix<double, 15, 1> evaluate(const Eigen::Vector3d &Pi, const Eigen::Quaterniond &Qi, const Eigen::Vector3d &Vi, const Eigen::Vector3d &Bai, const Eigen::Vector3d &Bgi, .
VINS-Mono-后端优化 （三：视觉雅可比推导）
zysss_的博客
11-10 937
用逆深度是因为这样可以在优化中从优化3个变量降低到1个，降低优化的维度加快求解速度用逆深度是因为当距离很远的时候，x1​x就会无穷大，而3D点很近的情况也一般不会有，这也是为了数值稳定性用逆深度的话就要和其中一帧进行绑定，这个就是和观测到该点的第一帧进行绑定，这样才能表示一个3D点信息划窗中维护的全部都是IMU下的位姿，所以相机要通过外参变换到IMU坐标系下这里就构成了视觉误差，需要求关于优化变量的雅可比矩阵，这里约束了第i帧和第j。
VINS-MONO的非线性优化
Zjuer_Jingyu的博客
05-04 909
需要优化的变量如下： 系统的代价函数如下： 其中三个残差项依次是： 边缘化的先验信息 IMU测量残差 视觉的观测残差 1）视觉的观测残差 视觉测量残差就是重投影误差，定义为一个特征点在归一化相机坐标系下的估计值与观测值的差。视觉的观测误差可表示如下： 参考该博客，推导上述公式。在这里，我们使用了逆深度λ作为参数，将特征点的三维坐标的z坐标值归一化为1。 使用逆深度作为参数有以下原因： ...
VINS-Mono之后端非线性优化 (目标函数中视觉残差和IMU残差，及其对状态量的雅克比矩阵、协方差递推方程的推导)
Hansry的博客
02-09 3639
1. 前言 之前看过崔华坤的《VINS论文推导及代码解析》还有深蓝学院的VIO课程，对VINS的后端非线性优化有了较为清晰的认识，但是一直没有时间整理写成笔记，最近看到Manni的博客VINS-Mono理论学习——后端非线性优化 概括得很不错，针对这三份资料还有自己的一些理解重新整理下，感谢优秀的大佬们提供的参考资料。 2. 非线性最小二乘 尽管非线性最小二乘是很常见的问题，可参考《SLAM14讲...
VINS-Mono学习（三）——基于滑动窗口的VIO紧耦合后端非线性优化
qq_38167930的博客
08-18 1172
初始化后，采用基于滑动窗口的紧耦合单目VIO进行状态估计。首先来看VINS-Mono后端的整体思路： 大道至简，思路比较简单，但是实现相当复杂。回顾BA三要素：误差项、优化变量、协方差。 简单说，VINS-Mono的误差来源于三部分，分别是来源于视觉的重投影误差，来源于IMU预积分的IMU误差（PVBQ的运动误差）以及来源于滑动窗口维护的边缘化操作带来的先验误差。 BA优化模型分为三部分： 1、M...
VINS-Mono工程笔记（九）：基于滑动窗口的紧耦合非线性优化（1）
zoufeizhiba的博客
01-05 1148
VINS后端非线性优化理论推导及工程实现
读懂VINS-Mono——后端优化
xiaohu的博客
12-20 3909
VINS-Mono关键知识点总结——边缘化marginalization理论和代码详解 VINS-Mono关键知识点总结——预积分和后端优化IMU部分
【SLAM】VINS-MONO解析——后端优化(代码部分)
iwanderu的博客
03-08 6518
7.2 代码 在estimator.cpp的processImage()的最后，代码如下： else//solver_flag = NON_LINEAR,进行非线性优化 { solveOdometry(); //<--1 //边界判断：检测系统运行是否失败，若失败则重置估计器 if (failureDetection()) /...
【SLAM】VINS-MONO解析——后端优化(理论部分)
热门推荐
iwanderu的博客
03-08 2万+
7.后端非线性优化 7.1 理论基础 7.1.1 bayes模型，因子图和最小二乘 这一部分主要是对董靖博士在公开课《因子图的理论基础》上的回忆和总结。 (1)bayes模型 假设有黄色是机器人在不同时刻的位姿，蓝色是机器人观测到的路标点，红色是机器人对路标点的观测，绿色是机器人对自身运动的观测。 那么，这个过程可以用下面这个bayes-net来描述： 那么，可以有这样的定义： 黄色——机器人...
VINS-Mono代码精简版代码详解-后端非线性优化(三)
jiweinanyi的博客
08-21 1665
非线性优化部分代码解析 之前已经对VINS-Mono的初始化部分进行了介绍，下面结合代码和公式介绍其非线性优化部分。本文部分参考https://blog.youkuaiyun.com/u012871872/article/details/78128087\url{https://blog.youkuaiyun.com/u012871872/article/details/78128087}https://blog.csd...
VINS-Mono 理论详细解读——紧耦合后端非线性优化 IMU+视觉的残差residual、Jacobian、协方差、基于舒尔补的边缘化
try_again_later的博客
03-17 5363
本讲是VINS最核心部分了，前面经历了 1）视觉跟踪feature_tracker、IMU预积分integrationBase类；2）初始化中SFM纯视觉估计滑动窗中所有帧的位姿和3D路标点深度、SFM与IMU预积分松耦合对齐求解初始化参数。本节将进行第3部分，基于滑动窗的紧耦合后端非线性优化：将视觉约束、IMU约束、闭环约束放到一个大的目标函数中进行非线性优化，求解出滑动窗口中所有帧的PVQ、bias等。
VINS-Mono代码精简版代码详解-后端优化之边缘化(三)
jiweinanyi的博客
08-22 2558
边缘化策略 参考博客：https://www.cnblogs.com/feifanrensheng/p/10532918.html\url{https://www.cnblogs.com/feifanrensheng/p/10532918.html}https://www.cnblogs.com/feifanrensheng/p/10532918.html https://blog.csdn.ne...
七、VINS-mono 代码解析——紧耦合后端非线性优化 IMU+视觉的残差residual、Jacobian、协方差、基于舒尔补的边缘化
Alex的博客
07-16 1605
目录 一、VIO残差函数的构建 1、需要优化的状态向量： 2、目标函数为： 二、视觉约束（细致） 1.视觉重投影误差residual（归一化平面） 2、优化变量 3、Jacobian 4、协方差 三、IMU约束（粗略，祥细见之前） 1、残差： 2、优化变量： 3、IMU测量残差公式推导 4、残差对状态量的Jacobian 5、残差对状态量的协方差 四、基于舒尔补的边缘化 1、论文部分 2、基本公式 3、舒尔补 4、marg后形成的先验 5 具体例子 5.1 原来的信息矩阵H的构成 5.2 舒尔补后形成新的
VINS-Mono学习（五）——闭环优化4DoF
qq_38167930的博客
08-23 1538
闭环优化是跟在闭环检测之后步骤。首先回顾闭环检测的过程： 1、pose_graph_node.cpp开启process闭环检测线程； 2、创建新的关键帧KeyFrame，new KeyFrame； 2.1 computeWindowBRIEFPoint，提取已有点的描述子 2.2 computeBRIEFPoint：提取新的Fast特征点和描述子 3、PoseGr...
VINS_MONO视觉导航算法【一】基础知识介绍
凳子花❀的博客
12-02 2906
VINS-Mono（Visual-Inertial Navigation System - Mono）是由香港科技大学（HKUST）空中机器人实验室开发的一种用于机器人或无人机等移动平台的单目视觉惯性导航系统。VINS-Mono结合了单目相机和惯性测量单元（Inertial Measurement Unit，IMU）的数据来实现精确的姿态估计和定位。
VINS-MONO后端滑窗优化
02-15
VINS-Mono 的后端采用了一种基于滑动窗口的非线性优化方法来提高定位精度和鲁棒性。具体来说，该算法通过构建并维护一个固定大小的时间窗口内的观测数据来进行联合优化。 #### 滑窗优化的核心概念 1. **时间窗口的...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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