SLAM知识点总结

参考链接: [ link]

简述RANSAC原理及其优缺点

主要思想为少量多次重复实验！！！
随机采样一致性（RANSAC）是⼀种根据含有外点的数据拟合参数模型的迭代⽅法。外点（outlier） 是“不符合”模型的测量，内点（inlier）是“符合”模型的测量。RANSAC是⼀种概率算法，只有花费⾜够时间去搜索，才能确保（提⾼）找到合理答案的概率。 RANSAC以迭代的⽅式进⾏。在基础版本中，每个迭代包括以下五个步骤：

（1）在原始数据中随机选取⼀个⼦集作为假设的内点（例如，如果根据数据拟合一条二维直线，则选择两个点）。

（2）根据假设的内点拟合⼀个模型（例如，根据两个点拟合直线）。

（3）判断剩余的原始数据是否符合拟合的模型，并将其分为内点和外点。如果内点太少，则该次 迭代被标记为⽆效并中⽌。

（4）根据假设的内点和上⼀步中划分出的内点重新拟合模型。

（5） 计算所有内点的残差，根据残差和评估模型。 迭代上述步骤，把具有最⼩残差和的模型作为最佳模型。

RANSAC的优点是它能鲁棒的估计模型参数，它能从包含大量outlier的数据集中估计出高精度的参数。

RANSAC的缺点是它计算参数的迭代次数没有上限，如果设置迭代次数的上限，得到的结果可能不是最优的结果，甚至可能得到错误的结果；

RANSAC只有一定的概率得到可信的模型，概率与迭代次数成正比；

RANSAC只能从特定的数据集中估计出一个模型，如果存在两个（或多个）模型，RANSAC不能找到别的模型。

简述RANSAC求基础矩阵的过程

首先定义最大迭代次数，每次迭代时从匹配的点对中选择8个点，先对8个点进行归一化，然后使用八点法估算出基础矩阵F。

其中，需要进行2次奇异值分解来强制使其秩为2，第一次分解完后将最小特征值设为0，然后利用奇异值分解公式计算最终的F矩阵。

在求出基础矩阵F后进行双向重投影操作，将img1上的点投影到img2上并求其到极线l2的距离得到误差e1，同时将img2上的点投影到img1上并求其到极线l1的距离得到误差e2，结合卡方分布(单目自由度为2，卡方检验阈值为5.991),求出当前迭代的RANSAC评分，在所有迭代中RANSAC评分最高的那个基础矩阵F就是最终所求的基础矩阵F。

简述RANSAC 原理

RANSAC通过反复选择数据中的一组随机子集来达成目标。被选取的子集被假设为局内点,并用下述方法进行验证: a有一个模型适用于假设的局内点,即所有的未知参数都能从假设的局内点计算得出。 b用a得到的模型去测试所有的其它数据,如果某个点适用于估计的模型,认为它也是局内点。 c如果有足够多的点被归类为假设的局内点,那么估计的模型就足够合理。 d然后,用所有假设的局内点去重新估计模型,因为它仅仅被初始的假设局内点估计过。 e最后,通过估计局内点与模型的错误率来评估模型。这个过程被重复执行固定的次