本文深入探讨了《视觉SLAM十四讲》中的位姿图与因子图概念，这两种方法在SLAM系统中用于提高大规模场景下的计算效率。文中详细解释了如何通过位姿图和因子图优化位姿估计，特别是在长期观测过程中，如何有效固定特征点，减少计算量并保持实时性。
@ 《视觉SLAM十四讲》知识点与习题
《视觉SLAM十四讲》第十一讲知识点整理+习题
正在学习SLAM相关知识，将一些关键点及时记录下来。
知识点整理
本讲主要介绍了位姿图和因子图，这在大部分的SLAM系统中都有被用到。因为在更大的场景中，大量特征点的存在会严重降低计算效率，导致计算量越来越大以至于无法实时化。上述两种可以在更大的场景中使用
- 在长期的观测过程中，倾向于在优化几次之后就把特征点固定住，只把它们看做位姿估计的约束，而不再实际的优化它们的位置估计
- 位姿图：完全不管特征点，只保留关键帧的轨迹，位姿节点之间的边，由两个关键帧之间通过特征匹配之后得到的运动估计来给定初始值，此时只需要关心所有的相机位姿之间的联系了。此时，舍弃了对路标点的优化，只保留位姿之间的边
- 将位姿图转化为一个最小二乘问题，其中优化变量为各个顶点的位姿，边来自于位姿观测约束
- 因子图：相关的内容在前面的博客中已经整理过了。网址：1
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
