视觉slam十四讲——求解相机的位姿
前言
slam中一个关键问题之一就是求解相机的位姿,人们找了很多以相机位姿为变量的误差函数,比如光度误差,重投影误差,3D几何误差等等,希望使得误差最小,进而求得比较准确的相机位姿。举一个重投影例子:
PiPi 是3D点, uiui 是 PiPi 对应的像素位置, KK 为相机内参矩阵, sisi 为 uiui 对应的深度值。 TT 就是我们要求的变量。上式只是一个粗略的表达,其中没有显式说明齐次与非齐次,我们认为自动满足。有人可能会想对于这样的式子直接求导为零,不就可以解出T了么。但是不要忘记了T是满足如下约束的:
R为旋转矩阵,它是正交矩阵并且行列式为1,t是平移向量。在求解1式的时候,必须考虑到T满足的约束,那么这个问题就变成了有约束优化问题。但是我们不想去求有约束的问题,因为不好求。我们更喜欢的是去求无约束问题,而且无约束问题有很多现成的解法。
那怎么办呢?就有大神想出我们可以去另外一个空间求解,比如李代数。最后研究表明确实通过李代数可以将1式转化为无约束问题,然后很方便的通过高斯牛顿法,列文伯格-马夸尔特法(简称LM法)等优化算法求解了。当然不仅仅是上面这个优化问题了,我们以相机位姿为变量的建立的目标函数都可以在李代数上求解。下面就简单介绍一下李群和李代数。
李群和李代数
群
群是一种集合加上一种运算的代数结构,我们把集合记为A,运算记为 ..,那么群可以记为G=(A,.)G=(A,.)。群要求这个运算要满足封闭性,结合律,幺元和可逆。矩阵中常见的群有:
- 一般线性群GL(n) 指n×nn×n的可逆矩阵,它们对矩阵乘法成群
- 特殊正交群SO(n) 就是旋转矩阵群,其中SO(2),SO(3)最为常见。
- 特殊欧式群SE(n) 就是n维欧式变换,其中SE(2),SE(3)最为常见。
群结构保证了在群上的运算具有良好的性子,李群是指具有连续性质的群。SO(n),SE(n)在实数空间上是连续的,我们可以直观的感觉到一个刚体能够在空间中连续运动,所以SO(n)和SE(n)都是李群。那么相机的位姿就可以表示为:
现在我们只是说明了相机位姿是特殊欧式群,旋转矩阵是特殊正交群。但是现在还不能直接去求解因为约束依然存在。正如前面所说的,我们希望将有约束的问题转化为无约束问题求解。数学上常用的方法就是去另外一个空间计算,就像分类问题一样,也许在这个空间没法分开,变换一个空间说不定就可以分开了。横看成岭侧成峰就是这个道理。数学家们研究表明每一个李群都已与之对应的李代数,因为李群是连续的。真如我们所期望的,在李代数求解1式时可以将其化为无约束问题,通过高斯牛顿法等方法迭代求解。这是因为旋转矩阵对加法不封闭,而李代数对加法封闭。
李群李代数相互转化
旋转矩阵对应的李代数是一个三维向量,相机位姿(刚性变换矩阵,没有尺度因子)是一个六位向量。那么我们想知道的是这些向量是怎么和对应的李群联系,或者说怎么变换。具体的推到我这就不在搬运了,大家可以参考高翔博士的《视觉slam十四讲从理论到实践》或者自行搜索。下面这张图也是来自这本书的:
这张图给出了李群和李代数之间的转换公式。有了这个转换,离我们求解1式问题还有些距离。在使用类似高斯牛顿法这样的迭代算法时,目标函数关于变量的导数很重要,因为它提供了目标函数变小的方向。其实就是变量选择的方向,那么我们就想知道目标函数关于李代数的导数。
李代数求导
使用李代数解决问题的求导思路分为两种:
1. 用李代数表示位姿,然后根据李代数加法来对李代数求导
2. 对李群左乘或者右乘微小扰动量,然后对该扰动求导,成为左扰动和右扰动模型。
我们先说关于旋转矩阵对应的李代数SO(3)SO(3)求导,第一种的求导过程,如下:
这样我们就得到了旋转后点相对于李代数的导数:
JlJl的形式如下:
由于旋转矩阵对应的李代数是一个三维向量,所以我们可以用模长与单位向量的乘积表示。ϕ=θaϕ=θa, θ为模长,a为单位向量θ为模长,a为单位向量,上式中θθ 和 a 就是这个含义。
下来我们在来看看旋转矩阵李代数的左扰动模型,左乘一个微小扰动,对微小扰动求导:
这种方式省去了计算雅克比JlJl,所以使用更为常见。
最后直接给出SE(3)上的李代数求导,使用左扰动模型:
李代数上求解相机位姿
有了李群和李代数相互转换公式,李代数上的导数,那么我们就可以将1式用李代数重新表达。
上式仍然只是一个粗略的表达,其中没有显式说明齐次与非齐次,我们认为自动满足。使用李代数我们可以成功的将位姿约束问题转化为无约束问题,但要用高斯牛顿法或者LM方法等迭代优化算法,我们还需要知道这个误差关于位姿李代数的导数。使用左扰动模型,利用链式法则展开:
相机投影模型相对于P‘P‘为:
那么就可以得到:
求导的第二项我们前面已经给出了:
取出这部分的前三行,然后两个导数项相乘,就可以得到一个2*6的雅克比矩阵:
如果变换矩se(3)的旋转在前,平移在后,只需要将上式的前面3列和后面3列对调即可。有了李代数表示,也有了李代数上的表示,下一步我们就可以利用一些优化库(ceres, g2o)去计算了。
参考文献
[1] 高博, 视觉slam十四讲从理论到实践
视觉slam十四讲——求解相机的位姿相关推荐
- 视觉SLAM十四讲学习笔记-第四讲---第五讲学习笔记总结---李群和李代数、相机
第四讲---第五讲学习笔记如下: 视觉SLAM十四讲学习笔记-第四讲-李群与李代数基础和定义.指数和对数映射_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习笔记-第四讲-李代数求导与扰动模 ...
- 《视觉SLAM十四讲》学习笔记:第5讲相机与图像
<视觉SLAM十四讲>学习笔记:第5讲相机与图像 前言:本学习笔记将记录<视觉SLAM十四将>中一些重要的知识点,并对书中一些比较难的知识点添加上一些笔者个人的理解,以供笔者本 ...
- 视觉SLAM十四讲学习笔记-第五讲-相机模型
专栏系列文章如下: 视觉SLAM十四讲学习笔记-第一讲_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习笔记-第二讲-初识SLAM_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习 ...
- 视觉SLAM十四讲 第5讲 相机与图像
视觉SLAM十四讲 第5讲 相机与图像 1. 关于针孔相机模型 2. 关于图像畸变 2.1 什么是畸变 2.2 畸变参数 2.3 关于双目相机模型 三维世界中的一个物体反射或发出的光线,穿过相机光心后 ...
- 《视觉slam十四讲》ch5相机与图像学习笔记(3)——实践部分 RGB-D相机代码解释及相关函数介绍
在这篇博客中,主要介绍<视觉SLAM十四讲>第五讲的实践部分--RGB-D代码详解.关于imageBasics的代码可见我另一篇博客: <视觉slam十四讲>ch5学习笔记(1 ...
- 视觉SLAM十四讲笔记-第五讲 相机与图像
目录 Ⅰ.单目相机模型 一.针孔相机模型及公式推导 二.畸变模型 三.成像过程 Ⅱ.双目相机模型 Ⅲ.RGB-D 相机模型 Ⅳ.计算机中图像的表示 Ⅴ.牛刀小试-代码实践 一.读取图像数据(灰度图为例 ...
- 视觉SLAM总结——视觉SLAM十四讲笔记整理
视觉SLAM总结--视觉SLAM十四讲笔记整理 说明 基础知识点 1. 特征提取.特征匹配 (1)Harris (2)SIFT (3)SUFT (4)ORB (5)特征匹配 2. 2D-2D:对极约束 ...
- 视觉SLAM十四讲(2):初识SLAM
这一讲主要介绍视觉SLAM的结构,并完成第一个SLAM程序:HelloSLAM. 目录 2.1 小萝卜的例子 单目相机 双目相机 深度相机 2.2 经典视觉SLAM框架 2.3 SLAM问题的数学表述 ...
- 视觉SLAM十四讲学习笔记-第七讲-视觉里程计-三角测量和实践
专栏汇总 视觉SLAM十四讲学习笔记-第一讲_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习笔记-第二讲-初识SLAM_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习笔记-第 ...
- 视觉SLAM十四讲学习笔记-第七讲-视觉里程计-对极几何和对极约束、本质矩阵、基础矩阵
专栏系列文章如下: 专栏汇总 视觉SLAM十四讲学习笔记-第一讲_goldqiu的博客-CSDN博客 视觉SLAM十四讲学习笔记-第二讲-初识SLAM_goldqiu的博客-CSDN博客 视觉SLA ...
最新文章
- ONNX MLIR应用示例(含源码链接)
- 枚举类型enum用法_Java枚举深度解读,看这篇就够了
- android layer-list,Android layer-list的属性和使用具体解释
- 访问tomcat7 java.lang.ClassCastException: org.apache.jasper.el.ELContextImpl
- Apache Oozie Installation
- 新风系统风速推荐表_实验室通风系统的设计和应用
- java最新 学习路线
- 智能美观网速快 有这样的无线路由吗?
- 今日头条 h5 源码 php,今日头条H5移动端APP页面
- 进化算法求解TSP问题
- python调用qq互联_Django增加QQ第三方登录
- Email 邮件方式激活注册账号
- BaaS、FaaS、Serverless都是什么馅儿?
- 当女生成为软件测试员,我才发现年薪30W+其实并不难…
- html项目符号正方形,html – 列表项下的项目符号
- Android动态图文混排,Android控件TextView实现静态图与动态GIF图文混排
- 计算机能力怎么填制作ppt,PPT制作108式 篇一:如何制作好看的PPT?掌握这些小技巧,快速制作专业PPT!...
- 51nod题解 1005 大数加法
- 本地资源库,中央资源库,远程资源库的介绍
- winform中更新UI控件的方案介绍
热门文章
- 设置Chrome浏览器不加载图片的方法
- 《数据库系统工程师》备考指南
- matlab如何绘制语谱图,语谱图matlab
- 幼儿园故事导入语案例_幼儿园老师上课常用导入语 课前活跃气氛用这11种方法就对了...
- Oracle进阶(六)包(Package)和包体
- 论文笔记:Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion(KDD2020)
- python字符类型是英文_Python中常见数据类型
- 机器学习实战(Machine Learning in Action)学习笔记————04.朴素贝叶斯分类(bayes)...
- 想成为一名数据科学家?你得先读读这篇文章
- C-V2X 技术介绍