LSD SLAM 的tracking部分的代码解析

首先还是放上LSD SLAM的整个代码框架，以至于读者可以清楚的知道tracking部分在整个SLAM框架中处于一个什么样的位置。

LSD SLAM 的tracking部分主要做的工作就是解出keyframe与current frame之间的pose（R，t），已知keyframe上高梯度点的3D点，首先可以初始化一个pose（比如利用上一帧的pose作为这一帧的初始化的值），然后通过photometric error来构建一个最小二乘问题，利用优化的方式来优化出pose。

一、主函数调用tracking部分函数的代码：

如上图所示，初始化完成之后直接调用tracking部分中SE3Tracker这个类的成员函数进行track。

二、tracking部分的函数
tracking部分主要有四个文件，分别是SE3Tracker.cpp，SE3Tracker.h，TrackingReference.cpp，TrackingReference.h。

其中SE3Tracker是tracking部分最主要的一个类，其中的成员函数trackFrame()实现了一个参考帧和当前帧，以及一个初始的pose估计，输出一个优化好的pose。

具体的实现为：
1、首先调用trackingReference类中的makePointCloud()函数来计算参考帧有深度的点的3D坐标。这个函数主要记录了像素梯度，参考帧的点云个数。
2、然后调用calcResidualAndBuffers()函数来计算两张图对应点光度之间的残差。

这个函数主要输入参考帧上高梯度点的2d坐标和对应的3d点云，还有当前帧以及参考帧到当前帧的pose。首先是将参考帧上的点通过旋转矩阵rotMat 和平移向量transVec进行变换，然后计算出在当前帧下的u,v坐标，然后通过插值的方式找出u,v坐标对应的灰度值，计算出灰度的残差。最后把所以点的残差求个平均，输出一个平均的残差。

3、调用callOptimized()函数进行优化，求得最后一个优化好的SE3

参考文献：
[1] https://blog.csdn.net/lancelot_vim/article/details/51758870
[2] Engel, Jakob, Thomas Schöps, and Daniel Cremers. “LSD-SLAM: Large-scale direct monocular SLAM.” European Conference on Computer Vision. Springer, Cham, 2014.
[3] https://github.com/tum-vision/lsd_slam

LSD SLAM 的tracking部分的代码解析相关推荐

3D激光SLAM:ALOAM:异常点剔除机制代码解析
3D激光SLAM:ALOAM:异常点剔除机制代码解析前言 LOAM中的异常点 Code 前言在LOAM的论文中,作者提到了要剔除两种异常点. 平行点遮挡点但是在ALOAM的代码中并未写相关的功 ...
视觉SLAM十四讲CH8代码解析及课后习题详解
第一版的代码: direct_semidense.cpp #include <iostream> #include <fstream> #include <list> ...
视觉SLAM十四讲CH10代码解析及课后习题详解
g2o_viewer问题解决在进行位姿图优化时候,如果出现g2o_viewer: command not found,说明你的g2o_viewer并没有安装上,打开你之前安装的g2o文件夹,打开bi ...
视觉SLAM十四讲CH6代码解析及课后习题详解
gaussNewton.cpp #include <iostream> #include <chrono> #include <opencv2/opencv.hpp> ...
视觉SLAM十四讲CH3代码解析及课后习题详解
eigenMatrix.cpp #include <iostream>using namespace std;#include <ctime> // Eigen 核心部分 #i ...
视觉SLAM开源算法ORB-SLAM3 原理与代码解析
来源:深蓝学院,文稿整理者:何常鑫,审核&修改:刘国庆本文总结于上交感知与导航研究所科研助理--刘国庆关于[视觉SLAM开源算法ORB-SLAM3 原理与代码解析]的公开课. ORB-SLA ...
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? ...
后端优化 | VINS-Mono 论文公式推导与代码解析分讲
3. 后端优化(紧耦合) VIO 紧耦合方案的主要思路就是通过将基于视觉构造的残差项和基于IMU构造的残差项放在一起构造成一个联合优化的问题,整个优化问题的最优解即可认为是比较准确的状态估计. 为了限 ...
[从零手写VIO|第五节]——后端优化实践——单目BA求解代码解析
长篇警告⚠⚠⚠ 目录 solver 全流程回顾 Solver三要素 Solver求解中的疑问核心问题代码解析 1. TestMonoBA.cpp 2. 后端部分: 2.1 顶点 2.2 边(残差) ...

LSD SLAM 的tracking部分的代码解析

LSD SLAM 的tracking部分的代码解析相关推荐

最新文章

热门文章