SLAM是个坑…

经过一段时间对SLAM的了解，原来是我理解有错误，得到的尺度已经是统一的，只是不知道它的真实尺度是多少。

贴一个不错的视觉里程计简介的链接：
https://blog.csdn.net/gzj2013/article/details/100878053

关于下面代码中单目视觉里程计中尺度的理解：
https://github.com/yueying/LearningVO/blob/master/src/visual_odometry.cpp
截取片段：

double VisualOdometry::getAbsoluteScale(int frame_id)
{std::string line;int i = 0;std::ifstream ground_truth("C:/dataset/00/00.txt");double x = 0, y = 0, z = 0;double x_prev, y_prev, z_prev;// 获取当前帧真实位置与前一帧的真实位置的距离作为尺度值if (ground_truth.is_open()){while ((std::getline(ground_truth, line)) && (i <= frame_id)){z_prev = z;x_prev = x;y_prev = y;std::istringstream in(line);for (int j = 0; j < 12; j++)  {in >> z;if (j == 7) y = z;if (j == 3)  x = z;}i++;}ground_truth.close();}else {std::cerr<< "Unable to open file";return 0;}return sqrt((x - x_prev)*(x - x_prev) + (y - y_prev)*(y - y_prev) + (z - z_prev)*(z - z_prev));
}

从以上代码来看，数据集KITTI-00的真实值pose.txt，里面每行是12列数据，12列数据很容易想到是3个平移量和一个3x3的旋转矩阵，这样想没错，但是其排列方式却不是这样的，而是一个3*4的矩阵,其排列方式为一个增广矩阵：[R|t]
也就是说，每一行的最后一列数据为平移的t的数据。
那么是如何得到尺度因子的呢？众所周知，单目无法得到真实尺度的信息，不具有单位的概念，因此上面的基于单目的视觉里程计其尺度信息是来自于groundtruth的，也就是事先知道的真实尺度，如何计算：获取当前帧真实位置与前一帧的真实位置的距离作为尺度值。
也就是最后return的值，其实就是当前帧的（x,y,z）减去上一帧的（x,y,z）这个真实距离作为真实尺度。
只是我不明白为什么更新尺度的时候是这样计算的呢？

bool VisualOdometry::processFrame(int frame_id)
{double scale = 1.00;//初始尺度为1featureTracking(last_frame_, new_frame_, px_ref_, px_cur_, disparities_); //通过光流跟踪确定第二帧中的相关特征cv::Mat E, R, t, mask;E = cv::findEssentialMat(px_cur_, px_ref_, focal_, pp_, cv::RANSAC, 0.999, 1.0, mask);cv::recoverPose(E, px_cur_, px_ref_, R, t, focal_, pp_, mask);scale = getAbsoluteScale(frame_id);//得到当前帧的实际尺度if (scale > 0.1) //如果尺度小于0.1可能计算出的Rt存在一定的问题,则不做处理，保留上一帧的值{cur_t_ = cur_t_ + scale*(cur_R_*t);cur_R_ = R*cur_R_;}// 如果跟踪特征点数小于给定阈值，进行重新特征检测if (px_ref_.size() < kMinNumFeature){featureDetection(new_frame_, px_ref_);featureTracking(last_frame_, new_frame_, px_ref_, px_cur_, disparities_);}px_ref_ = px_cur_;return true;
}

其中第11行和第12行的代码我不是很懂，得到了实际尺度，为什么要那样更新呢？我本以为使用如下这样的更新方式就行了：

// 错误示范
if (scale > 0.1)
{cur_t_ = cur_t_ + scale*t;cur_R_ = R*cur_R_;
}
/*之所以错误的原因是，忽略了平移的方向性，因此左乘旋转矩阵，就规定了它朝哪个方向旋转，这也符合真实的平移情况*/

我的理解是：先旋转后平移再加上原来的平移量才是真实的平移，如上注释。

单目视觉里程计的尺度问题的疑问？相关推荐

基于地平面的单目视觉里程计绝对尺度估计
点云PCL免费知识星球,点云论文速读. 文章:Ground Plane based Absolute Scale Estimation for Monocular Visual Odometry 作者 ...
基于平面几何精确且鲁棒的尺度恢复单目视觉里程计
标题:Accurate and Robust Scale Recovery for Monocular Visual Odometry Based on Plane Geometry 作者:Rui T ...
基于地面几何约束的单目视觉里程计精确鲁棒尺度恢复（ICRA 2021）
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者丨paopaoslam 来源丨泡泡机器人SLAM 标题:Accurate and Robust S ...
单目视觉里程计性能估计
单目视觉里程计性能估计 D3VO: Deep Depth, Deep Pose and Deep Uncertaintyfor Monocular Visual Odometry 论文地址:https ...
基于点线特征的激光雷达+单目视觉里程计
标题:Lidar-Monocular Visual Odometry using Point and Line Features 作者:Shi-Sheng Huang1, Ze-Yu Ma1, Tai ...
SLAM论文笔记-使用点和线特征的激光雷达-单目视觉里程计
使用点和线特征的激光雷达-单目视觉里程计首发在泡泡机器人slam公众号标题:Lidar-Monocular Visual Odometry using Point and Line Feature ...
单目视觉里程计--基于视差角的单目视觉里程计MPVO
单目视觉里程计–基于视差角的单目视觉里程计MPVO 图像预处理说明在介绍本算法之前,先说明图像处理的基本知识.环境中的地图点,地图点的集合就是点云,地图点就是图像处理时的特征点.地图点在相机上的观测 ...
DEMO: 一种单目视觉里程计的深度增强方法
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者:robot L | 来源:知乎 https://zhuanlan.zhihu.com/p/149 ...
SLAM | 使用三维位姿图优化减少单目视觉里程计（3D Visual Odometry）定位轨迹的漂移（附源代码）
===================================================== github:https://github.com/MichaelBeechan CSDN: ...

单目视觉里程计的尺度问题的疑问？

SLAM是个坑…

单目视觉里程计的尺度问题的疑问？相关推荐

最新文章

热门文章