MSCKF中的camera状态增广

最新推荐文章于 2025-01-06 11:52:40 发布
最新推荐文章于 2025-01-06 11:52:40 发布
阅读量398 收藏 4
点赞数 10
CC 4.0 BY-SA版权
分类专栏： 状态估计 文章标签： MSCKF 相机状态增广 VIO
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。
本文链接：https://blog.youkuaiyun.com/qq_23225073/article/details/140813388

文章目录

MSCKF中camera pose状态增广的做法

考虑imu和camera之间的外参数
在这里插入图片描述

状态值增广计算如下
在这里插入图片描述
上式展开就是
在这里插入图片描述

状态增广的理论依据：高斯分布的非线性变换

为什么这么计算的呢，理论依据是高斯分布的非线性变换，将非线性函数线性化以后传递高斯分布的协方差。

下图是来自《机器人学的状态估计》

在这里插入图片描述
在这里插入图片描述

在MSCKF的状态增广公式中不考虑噪声R，所以协方差变换结果就是
J P k ∣ k J T JP_{k|k}J^T JP

最低0.47元/天 解锁文章

200万优质内容无限畅学
一步一步推导S-MSCKF（三）离散时间系统运动模型
悟道机器人
05-05 2110
文章目录1 对每帧IMU数据的处理1.1 状态预测1.2 误差状态协方差更新2 状态增广2.1 状态向量扩增2.2 误差状态协方差矩阵扩增 1 对每帧IMU数据的处理 MSCKF是直接根据IMU运动方程对下一时刻IMU状态进行估计，其它的状态值（相机位姿）保持不变；然后根据误差运动方程进行EKF，最后对前面直接得到估计值进行更新。所以在每个IMU数据到来时，都要进行两件事： 根据当前IMU测量数...
MSCKF_vio学习笔记
u014491623的博客
12-02 9423
    最近因为项目需求，对MSCKF_vio的论文和代码进行了一番研读，现将学习过程记下。     MSCKF_vio是一种基于多状态约束卡尔曼滤波器的双目视觉里程计。其中多状态约束是指将多帧图像的相机位姿加入卡尔曼状态向量中，在进行卡尔曼增益之前通过多帧图像之间的约束进行最小二乘优化来估计特征点的空间位置，然后根据优化后的特征点空间位置来约束状态向量。     代码中主要有三个文件比较重要：s...
MSCKF的理解(3.3状态扩增)
weixin_38880733的博客
01-25 2608
根据3.3的说法，也即是公式（14），相机的pose是IMU的pose而来。相机和IMU之间的外参是固定的，所以这两者知道一个就知道另一个了。 所谓的状态扩增就是增加一个相机的位姿，新增加的相机位姿啥都不知道？ 要根据IMU的位姿来计算（因为IMU是实时更新的？）。 q=q⊗qq=q\otimes qq=q⊗q p=qp+pp = qp+pp=qp+p 所谓的协方差按照狄拉克记号就是 P=∣X><X∣P=|X><X|P=∣X><X∣,当|X>变成|X,x>的时
MSCKF中的状态更新(主要)和单目的相关基础知识
weixin_38216573的博客
06-15 811
单目在纯旋转和静止的情况下没有办法进行三角化。 要有平移量才可以顺利进行三角化
【参数受限MPC/Matlab】增广状态空间模型函数
Amanda1m的博客
09-18 1912
mpcgain.m 理论在https://blog.youkuaiyun.com/m0_37764065/article/details/107207726 function [Phi_Phi,Phi_F,Phi_R,A_e,B_e,C_e]=mpcgain(Ad,Bd,Cd,Nc,Np)%输入状态空间模型和预测时域长度Nc，控制时域长度Np % %构建增广状态空间模型 On=zeros(1,size(Ad,1)); A_e=[Ad On';Cd*Ad 1]; B_e=[Bd;Cd*Bd]; C_e=[On,1]
MSCKF
bereze的博客
08-22 273
主要数据结构：StateServer当前里程计状态 // imu状态、若干相机位姿、状态协方差矩阵、噪声协方差 struct StateServer { IMUState imu_state; CamStateServer cam_states; // State covariance matrix Eigen::MatrixXd state_cov; Eigen::Matrix<double, 12, 12> continuous_noise_cov; }; 主要函数：
MSCKF原理解析(参照论文)
chennuo0125的博客
11-27 3092
参考论文地址 https://www-users.cs.umn.edu/~stergios/papers/ICRA07-MSCKF.pdf 算法特点 基于EKF框架（个人觉得叫ESKF更妥，文章中进行更新的状态都是误差状态） 提出了一种不需要将3D特征点包含到状态向量中的测量模型，使得计算规模小，复杂度低． 算法组成 状态的定义 IMU预测(包括状态预测、协方差的更新) 状态增广 测量模型的构建 EKF更新 下面将详细描述上述每个过程 状态定义 IMU状态: XIMU=[GI ⁣qˉTbgTG ⁣
【IMU状态】多状态约束卡尔曼滤波(MSCKF)研究（Matlab代码实现）
weixin_67304359的博客
01-06 929
MSCKF，全称Multi-State Constraint Kalman Filter，即多状态约束卡尔曼滤波器，是一种基于滤波的视觉惯性里程计（VIO）算法。该算法由Mourikis在2007年的论文《A Multi-State Constraint Kalman Filter for Vision-aided Inertial Navigation》中首次提出。MSCKF在扩展卡尔曼滤波（EKF）框架下融合惯性测量单元（IMU）和视觉信息，以实现高精度的定位与导航。
MSCKF 公式推导
努力努力努力
02-04 5118
目录 一、简介 二、符号说明 三、状态向量 3.1 真实状态向量 true state 3.2 误差状态向量 error state 四、IMU 预测 4.1 连续形式的误差运动方程 4.2 连续形式的协方差传播 五、相机位姿状态增广 5.1 状态向量增广 5.2协方差矩阵增广 六、视觉测量模型 6.1 视觉测量残差 6.2 残差线性化近些 6.3 边缘化路标点的位置误差 七、更新 八、参考文献 一、简介 MSCKF 是明尼苏达州大学 Mourikis 等人提出的一种.
MSCKF系列论文阅读与代码流程
weixin_43793960的博客
11-28 3333
s-MSCKF kumar-双目MSCKF-开源 不支持在 Doc 外粘贴 block 源码地址：https://link.zhihu.com/?target=https%3A//github.com/KumarRobotics/msckf_vio 开源 S-MSCKF：
MSCKF第6讲：状态与协方差
qq_49561752的博客
03-21 1130
避免混肴
自动驾驶（十三）---------无损卡尔曼滤波
热门推荐
zhouyy858
08-06 1万+
卡尔曼滤波核心原理是根据系统的估算及协方差、测量值及协方差推算出最优的估计值及协方差。在非线性模型中，扩展卡尔曼滤波丢弃了高阶项，当状态向量复杂时候，求雅克比矩阵难度也会上升。而UKF类似于将高斯分布中的均值，方差通过非线性方程处理后，去匹配预测方程的非线性变换。 假设初始状态满足高斯分布，如X ∼ N(µ, σ^2 )，如经过非线性状态转移方程以后，如何求变换过后的...
工业过程建模与先进控制（十一十二十三）MPC增广状态空间模型和滚动优化
Amanda1m的博客
06-22 2623
第一步：写出控制对象的状态空间方程，然后离散化 第二步：根据离散化的状态空间方程建立新状态变量，获得新状态空间模型和增广矩阵A，B，C 第三步：根据新状态空间模型计算预测状态变量x，进一步写出预测输出变量y，获得F和phi 第四步：定义cost function J，根据dot_J=0，通过F和phi和设定值Rs算出最优控制变量u序列 至此一个优化窗口内的控制变量序列求解完毕，仅用这个序列的第一个变量，下一环节就是滚动优化了。 ...
MSCKF学习笔记
weixin_51994127的博客
07-17 2052
现代的陀螺仪(MEMS)输出的是旋转变化率(RotationalRate)，而不是Rotation本身，所以需要对陀螺仪的输出对时间积分才能得到朝向信息，在积分的过程中，随着时间的积累，误差也会持续累积，最终使得朝向发生偏移(Drift)。(1)IMU简介测量物体三轴姿态角及加速度的装置。对于机器人的运动，增大不确定的程度，可以使算法更具有鲁棒性，很好的应对一些不成立的假设。通过使用视觉里程计（前端），可以得到相对于机器人的三维坐标。的建立测量值，可以用传感器直接测量得到的参数值。............
MSCKF-Based Visual-Wheel Odometry 轮速视觉融合里程计
3D视觉工坊
12-04 2578
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达Sliding Windows Filter（SWF）在VIO、SLAM这个领域应用非常广，比如MSCKF、OKVIS、VINS-M...
小觅智能 ｜MSCKF 学习笔记
诗筱涵的博客
07-17 640
转载自：https://mp.weixin.qq.com/s/shxmOtDOSVZn_eQKgs8LBw 小觅智能 ｜MSCKF 学习笔记 知乎觅 MYNTAI小觅智能 2019-10-31 VIO 目前实现比较好的有 Vins-mono , OKVIS , MSCKF ，前两个是基于非线性优化的方案而且框架比较相似，小觅也做过详细介绍啦～这次着重介绍基于滤波优化的方案的 MSCKF ，MSCKF 是由 Mourikis 于 2007 年提出，全称是 Multi-State Constraint
基于CTRV模型与车载激光雷达的周向防碰撞系统在Cars im2019+s imu link环境下的应用
最新发布
08-18
内容概要：本文介绍了基于CTRV（常转向角速率和变速度）轨迹预测模型和车载激光雷达的周向防碰撞系统的构建及其在Cars im2019+s imu link环境下实现安全预警与避障功能的方法。文中详细解释了CTRV模型的工作原理，展示了简化的Python伪代码用于演示车辆状态预测流程，并阐述了车载激光雷达在感知周围环境中起到的关键作用。此外，还讨论了如何利用Simulink工具链对整个系统进行建模，确保能够在潜在碰撞事件前及时采取措施避免事故的发生。最后强调了该系统的灵活性和扩展性，鼓励研究者在此基础上继续改进算法性能。 适用人群：从事智能交通系统、自动驾驶技术研发的专业人士，尤其是关注车辆主动安全技术和路径规划领域的工程师和技术爱好者。 使用场景及目标：适用于需要提升车辆安全性、减少交通事故发生的场合，特别是那些致力于开发高级驾驶辅助系统(ADAS)的企业和个人。主要目的是通过引入先进的数学模型和传感技术，增强车辆应对复杂路况的能力，保障驾乘人员的生命财产安全。 其他说明：文中提供的代码片段仅为概念验证性质，实际部署时可能需要考虑更多的工程细节和技术挑战。同时，随着技术的进步，未来还可以集成更多类型的传感器数据，进一步丰富和完善现有的防碰撞机制。
python基于Django的在线考试与评估系统设计与实现（完整项目源码+mysql+说明文档）计算机毕业设计源码.zip
08-18
完整前后端源码，部署后可正常运行！ 环境说明 开发语言：python后端 python版本：3.7 数据库：mysql 5.7+ 数据库工具：Navicat11+ 开发软件：pycharm
MSCKF协方差增广：fastreport VCL 6中文手册修订版详解
MSCKF中的协方差矩阵增广是一个迭代的过程，通过对IMU预测和视觉测量的有效融合，不断更新状态估计的精度和不确定性，确保导航系统的稳健性和准确性。理解并掌握这一部分的内容，对于实现高效的视觉惯性导航至关重要...
评论
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