和第6讲状态估计一样,太多数学推导了,抽象的东西没那么多,但是更令人头大了。
具体的推导还是有亲自计算的必要的,不过整体思路整理也很必要。
注:
1)学习视频:【高翔】视觉SLAM十四讲。
第9讲
9.1 理论部分
前端传输过来的地图点、相机运动这些数据都是粗糙的,虽然构建了运动方程(纯视觉SLAM没有)和观测方程,但含有误差,因此需要后端进行优化。
后端优化的方式就是进行状态估计。
1)状态估计基本解释
- 在视觉SLAM中,我们需要优化(待估计)的量是位姿 x k \pmb{x}_k xxxk和路标点 y k \pmb{y}_k yyyk,笼统地用状态量 x k = d e f { x k , y 1 , . . . , y m } \pmb{x}_k\overset{def}{=}\begin{Bmatrix} \pmb{x}_k,\pmb{y}_1,...,\pmb{y}_m \end{Bmatrix} xxxk=def{ xxxk,yyy1,...,yyym}表示,则观测方程表示为 z k = h ( x k ) + v k \pmb{z}_k=h(\pmb{x}_k)+\pmb{v}_k zzzk=h(xxxk)+vvvk。若用 0 0 0到 k k k时刻的数据估计状态分布,就可以表示为 P ( x k ∣ x 0 , u 1 : k , z 1 : k ) P(\pmb{x}_k|\pmb{x}_0,\pmb{u}_{1:k},\pmb{z}_{1:k}) P(xxxk∣x