理论一、MSCKF算法简介
感谢:紫薯萝卜 https://zhuanlan.zhihu.com/p/76341809
论文:https://arxiv.org/abs/1712.00036
代码:https://github.com/KumarRobotics/msckf_vio
(很好,建议先看理论)整体讲解:http://www.xinliang-zhong.vip/msckf_notes/
1. 什么是MSCKF?
MSCKF 全称 Multi-State Constraint Kalman Filter(多状态约束下的Kalman滤波器),是一种基于滤波的VIO算法,2007年由Mourikis在《A Multi-State Constraint Kalman Filter for Vision-aided Inertial Navigation》中首次提出。MSCKF在EKF框架下融合IMU和视觉信息,相较于单纯的VO算法,MSCKF能够适应更剧烈的运动、一定时间的纹理缺失等,具有更高的鲁棒性;相较于基于优化的VIO算法(VINS,OKVIS),MSCKF精度相当,速度更快,适合在计算资源有限的 嵌入式平台运行。在机器人、无人机、AR/VR领域,MSCKF都有较为广泛的运用,如Google Project Tango就用了MSCKF进行位姿估计。
VIO相对于VO的好处:
- 恢复尺度:IMU能够提供尺度信息(加速度计),解决单目VO的无法恢复尺度的问题。
- 应对纯旋转:在纯旋转的情况下,VO位姿解算会出现奇异,VIO可以利用IMU的陀螺仪(角速度计)来估计纯旋转运动。
- 应对短时间图像特征缺失:在出现图像过曝、图像过暗、环境纹理不足时,VO会无法工作,而VIO能在VO失效的情况下利用IMU积分来进行运动估计,能够应对短时间的视觉特征缺失(IMU积分越久累积误差会越大),比VO具有更高的鲁棒性。
- 精度更高:VIO融合了两种传感器的信息,位姿估计的精度要更高。
2. MSCKF相关学习资料
MSCKF开山之作
https://www-users.cs.umn.edu/~stergios/papers/ICRA07-MSCKF.pdf
数学理论相关资料
http://mars.cs.umn.edu/tr/reports/Trawny05b.pdf
http://www.iri.upc.edu/people/jsola/JoanSola/objectes/notes/kinematics.pdf
Li Mingyang老师的系列论文, MSCKF2.0,FEJ
http://citeseerx.ist.psu.edu/viewdoc/download;jsessionid=188A46DC6DD79B40220CE2E9CCB42647?doi=10.1.1.261.1422&rep=rep1&type=pdf
时钟同步误差估计
https://intra.ece.ucr.edu/~mourikis/papers/Li2014IJRR_timing.pdf
能观性分析,FEJ
https://intra.ece.ucr.edu/~mourikis/papers/Li2013IJRR.pdf
Shelly(TUM CVG)的硕士论文,IPhone上跑MSCKF,实现步骤很详细
https://vision.in.tum.de/_media/spezial/bib/shelley14msc.pdf
Vijay Kumar实验室在github上开源的双目MSCKF和配套论文
https://github.com/KumarRobotics/msckf_vio
https://github.com/KumarRobotics/msckf_vio
3. MSCKF核心思想
MSCKF的目标是解决EKF-SLAM的维数爆炸问题。传统EKF-SLAM将特征点加入到状态向量中与IMU状态一起估计,当环境很大时,特征点会非常多,状态向量维数会变得非常大。MSCKF不是将特征点加入到状态向量,而是将不同时刻的相机位姿(位置 P和姿态四元数Q )加入到状态向量,特征点会被多个相机看到,从而在多个相机状态(Multi-State)之间形成几何约束(Constraint),进而利用几何约束构建观测模型对EKF进行update。由于相机位姿的个数会远小于特征点的个数,MSCKF状态向量的维度相较EKF-SLAM大大降低,历史的相机状态会不断移除,只维持固定个数的的相机位姿(Sliding Window),从而对MSCKF后端的计算量进行限定。
3.1 IMU状态向量与INS
MSCKF本质是一个EKF,介绍MSCKF之前,我们先介绍一下INS(Inertial Navigation System)中的IMU状态EKF估计,INS中IMU的状态向量为
其中
- 为单位四元数,表示从世界系( 系)到IMU坐标系( 系)的旋转 //坐标系之间的转换矩阵有三种意思
- 为加速度计accelerator的bias
- 为IMU在G系下的速度
- 为陀螺仪gyroscope的bias
- 为IMU在G系下的位置
INS的EKF步骤为:
- EKF预测:先利用传感器获得的观测加速度和观测角速度,可以对状态进行估计,显然,该步骤会使得估计的不确定度/协方差越来越大
- EKF更新:然后利用视觉观测构建观测模型,对状态向量的均值和协方差进行更新, 修正预测过程的累积误差,减少不确定度。
3.2 MSCKF中的观测模型 (认真理解,其与GPS/INS松组合的不同)
对于MSCKF来说,EKF预测步骤与INS一样,区别在EKF观测更新,需要用视觉信息来构建观测模型,从而对IMU预测的状态进行更新。INS中GPS可以直接给出位置 的观测,而视觉通常只能提供多个相机之间相对位姿关系的约束。那观测模型要怎么构建呢?
视觉中,约束通常都是特征点到相机的重投影误差(空间中一个3D特征点根据相机的姿态和位置投影到相机平面,与实际观测的特征点之间的误差):
我们希望用这个重投影误差的约束等式来作为观测模型,但前提是需要知道特征点的3D坐标,而实际应用中特征点的3D坐标是未知的。
- EKF-SLAM的做法是将特征点加入到状态向量进行估计,但它的状态向量会随特征点的增多而变得非常大。
- MSCKF的做法是根据历史相机位姿和观测来三角化计算特征点的3D坐标。这又带来了一个问题:如何确保三角化的精度呢?如果三角化误差太大,那么观测模型就会不准,最终会使得VIO精度太差。MSCKF做法是当特征点跟踪丢失后再进行三角化,特征点跟丢表示该特征的观测不会再继续增加了,这时利用所有的历史观测三角化。所以MSCKF中观测更新的时机是特征点跟丢。
4. MSCKF算法步骤
MSCKF算法步骤如下:
- IMU积分:先利用IMU加速度和角速度对状态向量中的IMU状态进行预测,一般会处理多帧IMU观测数据。
- 相机状态扩增:每来一张图片后,计算当前相机状态并加入到状态向量中, 同时扩充状态协方差.
- 特征点三角化:然后根据历史相机状态三角化估计3D特征点
- 特征更新:再利用特征点对多个历史相机状态的约束,来更新状态向量。注意:这里不只修正历史相机状态,因为历史相机状态和IMU状态直接也存在关系(相机与IMU的外参),所以也会同时修正IMU状态。
- 历史相机状态移除:如果相机状态个数超过N,则剔除最老或最近的相机状态以及对应的协方差.
MSCKF状态propagation和update的流程如下图所示:
图中 X 表示状态向量, P 表示对应的协方差矩阵,红色表示当前步骤发生改变的量。
- 首先初始化状态向量和协方差
- 然后进行IMU积分,状态向量和协方差都发生改变
- 接着将新的相机状态加入到状态向量中,扩充协方差矩阵(新相机自身的协方差以及对 的协方差)
- 进行观测更新,所有状态和协方差都会发生改变。(注意:第一次因为只有一个相机状态,形成不了重投影约束,所以第一次观测更新并不会做任何事情)
- 当相机状态个数超过限制时,删除最历史的一个相机状态及其对应的协方差项。
- 重复2-5。
理论一、MSCKF算法简介相关推荐
- 【计算机视觉】PnP算法简介与代码解析-柴政(solvepnp理论篇)
PnP算法简介与代码解析-柴政 PnP求解算法是指通过多对3D与2D匹配点,在已知或者未知相机内参的情况下,利用最小化重投影误差来求解相机外参的算法.PnP求解算法是SLAM前端位姿跟踪部分中常用的算 ...
- DL之BP:神经网络算法简介之BP算法简介(链式法则/计算图解释)、案例应用之详细攻略
DL之BP:神经网络算法简介之BP算法简介(链式法则/计算图解释).案例应用之详细攻略 相关文章:DL之DNN之BP:神经网络算法简介之BP算法/GD算法之不需要额外任何文字,只需要八张图讲清楚BP类 ...
- (一)数据结构与算法简介
数据结构与算法简介 目标 掌握数据结构与算法的理论知识 补齐算法短板 梳理前端与算法结合点,不再纸上谈兵,将算法用于实战 三部曲 理论:数据结构与算法的特点.应用场景等等 刷题:做一些算法题,推荐使用 ...
- 『分享』水平集算法简介(Level Set)
注:原文网页广告太多,决定转帖到这里,待更新! [原链接]http://www.caogenit.com/caogenxueyuan/yingyongfangxiang/rengongzhineng/ ...
- [转]哈希分布与一致性哈希算法简介
哈希分布与一致性哈希算法简介 作者:liunx 来源:http://www.cnblogs.com/liunx/archive/2010/03/24/1693925.html 前言 在我们的日常web ...
- 主流深度学习算法简介
** 深度学习算法简介** 1. 深度学习主流算法包括: 1.1 CNN (卷积神经网络) 卷积神经网络(CNN)是最常见的深度学习方法之 一.自20 世纪80 年代后期以来,CNN 已应用于视觉识别 ...
- 数据结构算法 - 1 算法简介
数据结构算法 - 目录 数据结构算法 - 1 算法简介 一.数据结构算法 - 算法简介 1. 算法的基本概念 1.1 什么是算法 1.2 为什么要学习算法 1.3 怎样学习算法 2. 算法的特征 3. ...
- 机器学习与数据挖掘,机器学习算法简介
什么是数据挖掘 数据挖掘就是从大量的数据中去发现有用的信息,然后根据这些信息来辅助决策.听起来是不是跟传统的数据分析很像呢?实际上,数据挖掘就是智能化的数据分析,它们的目标都是一样的.但是,又有很大 ...
- 遗传算法与爬山算法简介_遗传算法简介
遗传算法与爬山算法简介 Genetic Algorithms (GAs) are a part of Evolutionary Computing (EC), which is a rapidly g ...
最新文章
- 【HTML/XML 11】XML和HTML的混合使用
- R语言使用ggpubr包的ggarrange函数组合多张结论图:使用ggpubr包将表格嵌套在可视化图像中
- 约瑟夫环形链表问题、丢手帕问题、剑指offer圆圈中最后一个数问题
- Vue-router进阶:导航守卫
- 洛谷P1169 树上分组背包
- welcome to my blog
- leetcode 62. 不同路径(dp)
- 图像传感器之CMOS(2)
- python查看微信撤回消息_python如何查看微信消息撤回
- PPC软件测试自学,一个成功的PPC广告活动所需的五个步骤
- 公众号排版文章批量导出-免费公众号文章批量导出排版
- python 写入文件并保存_python学习将数据写入文件并保存方法
- 一款简单好用的开源简繁转换类库
- facebook piexl 像素追踪
- VMware安装MacOS系统苹果虚拟机
- java展示图片_Java中显示图片的方法
- 一些相见恨晚的BurpSuite插件推荐
- 单片机控制气压海拔模块BMP180之模块化编程(持续更新中)
- cmd pc如何开多个微信_电脑微信多开怎么弄的?
- DWH中增量数据的抽取
热门文章
- 50个好用的前端框架,千万收好以留备用!
- PIC16F877A单片机 (IIC总线+PCF8563芯片)
- qq免费透明FLASH式漂浮物代码
- c语言asinh函数,C ++ STL中的asinh()函数
- 专注是通向成功的直通车
- 【应用安全】什么是联合身份管理?
- Couldn't find preset es2015 relative to directory
- jsp+Servlet+javaBean编写计算体重指数测量(BMI)的简单程序
- Jar包冲突详解(Java)
- 康拓排列以及全排列老年人听不懂系列