SLAM中的逆深度参数化
参数化问题
在SLAM的建图过程中，把像素深度假设成了高斯分布。那么这么假设是否是合适的呢？这里关系到一个参数化的问题。
我们经常用一个点的世界坐标x,y,z三个量来描述它，这是一种参数化形式。我们认为x,y,z三个量都是随机的，它们服从三维的高斯分布。然而，在极线搜索中使用了图像坐标u,v和深度值d来描述某个空间点（即稠密建图）。我们认为u,v不动，而d服从（一维的）高斯分布，这是另一种参数化形式。那么这两种参数化形式有什么不同吗？我们是否也能假设u,v服从高斯分布，从而形成另一种参数数化形式呢？
不同的参数化形式，实际都描述了同一个量，也就是某个三维空间点。考虑到我们在相机看到某个点时，它的图像坐标u,v是比较确定的（u，v的不确定性取决于图像的分辨率）而深度值d则是非常不确定的。此时，若用世界坐标x,y,z描述这个点，那么根据相机当前的位姿，x,y,z三个量之间可能存在明显的相关性。反映在协方差矩阵中，表现为非对角元素不为零。而如果用u,v,d参数化一个点，那么它的u,v和d至少是近似独立的，甚至我们还能认为u,v也是独立的----从而它的协方差矩阵近似值为对角阵，更为简洁。
逆深度
逆深度（Inverse depth）是近年来SLAM研究中出现的一种广泛使用的参数化技巧。在极线搜索和块匹配中，我们假设深度值满足高斯分布。然而仔细想想会发现，深度的正态分布确实存在一些问题：
1.实际想表达的是：这个场景深度大概是5-10米，可能有一些更远的点，但近处肯定不会小于相机焦距（或者认为深度不会小于0）.这个分布并不是像高斯分布那样，形成一个对称的形状。它的尾部可能稍长，而负数区域则为零。
2.在一些室外应用中，可能存在距离非常远，乃至无穷远处的点。我们的初始值中难以覆盖这些点，并且用高斯分布描述他们会有一些数值计算上的困难。（没彻底理解，为什么初始值中难以覆盖这些点？为什么用高斯分布描述他们会有数值困难，是因为数值过于小会造成巨大误差吗？）
于是，逆深度应运而生。人们在仿真中发现，假设深度的倒数（也就是逆深度），为高斯分布是比较有效的。随后，在实际应用中，逆深度也具有更好的数值稳定性，从而逐渐成为一种通用的技巧。
转载于:https://www.cnblogs.com/zhuzhudong/p/11324081.html
SLAM中的逆深度参数化相关推荐
- 深度学习结合SLAM的研究思路/成果整理之（一）使用深度学习方法替换SLAM中的模块
整理了部分近两年深度学习结合SLAM的一些研究成果(参考知乎帖子https://www.zhihu.com/question/66006923 和泡泡机器人公众号,附上论文链接和已找到的源代码/数据集 ...
- 深度 | ICCV研讨会：实时SLAM的未来以及深度学习与SLAM的比较（附论文和PPT）
选自 Computer Vison Blog 作者:Tomasz Malisiewicz 机器之心编译 参与:吴攀.杜夏德 深度学习.计算机视觉和算法正在塑造人工智能的未来. 上一届「国际计算机视觉大 ...
- 李群、李代数在SLAM中的应用
文章目录 李群.李代数 李群.李代书与坐标变换的对应关系 SE(3)上的李代数求导数 左乘扰动.右乘扰动 怎么选取用左or右扰动? SLAM中的使用 重投影误差 误差项构建 对应C++代码 雅克比矩阵 ...
- 一文总结SLAM中的深度滤波问题
写在前面 本文会比较长,因为本身这部分就比较复杂,笔者自身加入了自己的一些思考和理解,不对的地方请及时指出,一同进步. Reference Semi-Dense Visual Odometry for ...
- SVO: 视觉SLAM中特征点法与直接法结合
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 前面的话 VSLAM 是利用多视图几何理论,根据相机拍摄的图像信息 ...
- SLAM | 视觉SLAM中特征点法与直接法结合：SVO
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 前面的话 VSLAM 是利用多视图几何理论,根据相机拍摄的图像信息对相机进行定位并同时构建周围环境地图 ...
- catia怎么将特征参数化_VSLAM中特征点的参数化表示
VSLAM中特征点的参数化表示有很多,最直接的是用三维坐标XYZ来表示,但通常大家更喜欢用逆深度表示,因为逆深度优势在于能够建模无穷远点.Open VINS文档中给出了五种特征参数化表示:Global ...
- 重磅直播|慕尼黑工业大学博士详解室内SLAM中的几何约束
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 大家好,本公众号现已开启线上视频公开课,主讲人通过B站直播间,对3D视觉领域相关知识点进行讲解,并在微 ...
- 视觉SLAM总结——LSD SLAM中关键知识点总结
视觉SLAM总结--LSD SLAM中关键知识点总结 视觉SLAM总结--LSD SLAM中关键知识点总结 1. LSD SLAM的创新点/关键点是什么? 2. LSD SLAM的整体框架是怎样的? ...
最新文章
- 转载 Sqlerver 计算 MD5
- 成功解决mxnet-tag\mxnet\src\operator\tensor\./matrix_op-inl.h:189: Using target_shape will be deprecated
- git 多仓库源 配置
- 用Ghostscript API将PDF格式转换为图像格式(C#)
- 【经验分享】非科班出身怎么转行计算机？
- CF476D-Dreamoon and Sets【结论】
- redis源码剖析（七）—— Redis 数据结构dict.c
- threadgroup_Java ThreadGroup list（）方法与示例
- 计科1501韩猛实验8
- 如何理解自然语言处理中的注意力机制？ | 技术头条
- java.sql.SQLException
- 怎么让计算机唱歌视频教程,如何制作快手唱歌视频
- CPI通常用于衡量计算机性能,2021考研408计算机组成原理习题:计算机的性能指标...
- 【新书速递】深入浅出Electron
- 闪迪加强版 120G 使用心得
- 同样是手写笔，Apple Pencil到底输在了哪里？
- DC-DC同步升压芯片PW5100替代PC1961，原厂供应
- 安卓中自定义view控件代替radiogroup实现颜色渐变效果的写法
- elasticsearch实践之代码结构设计，java银行项目面试题
- 2010新浪笔试---数据挖掘