VINS-Mono預積分公式推導
寫在前面
最近看了ESKF之後,收穫蠻大的,特別是對於四元數的殘差的推導,感覺給出了一個很標準的推導方式,因此就趁熱打鐵,把VINS中的預積分部分殘差推導了一下,也算是對上了VINS中imu_factor.h中的程式碼部分。
殘差
設狀態變數為x=[Pi,Pj,Vi,Vj,Qi,Qj,Bai,Baj,Bgi,Bgj]
兩幀之間預積分為m=
那麼對於兩幀之間的狀態變數有
δPij=Rwi(Pj−Pi+0.5gt2−Vit)−αijδVij=Rwi(Vj−Vi+gt)−βijδqij=Qij−1⊗Qi−1⊗QjδBaij=Baj−BaiδBgij=Bgj−Bgi
可見上述的公式類似於一個位姿圖的樣子
殘差對於狀態變數的jacobian
其實我們都知道,在整個優化問題中,jacobian的求解還是比較重要的,因為它直接構成了增量方程,我們下面主要看一下關於上面殘差關於狀態變數的jacobian
a. 對於i時刻的位姿Pi,Qi
- δPij對於Pi,Qi的導數很明顯為
dPidδPij=−RwidQidδPij=dRiwdδPij=δθ(RiwExp(δθ))T(Pj−Pi+0.5gt2−Vit)−(Riw)T(Pj−Pi+0.5gt2−Vit)=(Riwδθ×)T(Pj−Pi+0.5gt2−Vit)=((Riw)T(Pj−Pi+0.5gt2−Vit))×δθ - δVij對於Pi,Qi的導數很明顯為
dPidδVij=−RwidQidδVij=dRiwdδVij=δθ(RiwExp(δθ))T(Vj−Vi+gt)−(Riw)T(Vj−Vi+gt)=(Riwδθ×)T(Vj−Vi+gt)=((Riw)T(Vj−Vi+gt)×δθ - δrij對於Pi的導數很明顯為0,但是對於Qi的導數,這裡我們要進行一下簡單的推導
設q
相關推薦
VINS-Mono預積分公式推導
寫在前面 最近看了ESKF之後,收穫蠻大的,特別是對於四元數的殘差的推導,感覺給出了一個很標準的推導方式,因此就趁熱打鐵,把VINS中的預積分部分殘差推導了一下,也算是對上了VINS中imu_factor.h中的程式碼部分。 殘差 設狀態變數為x=[Pi,Pj
IMU 預積分推導
接下來 範圍 del spa jacob 處的 HR 每次 過大 給 StereoDSO 加 IMU,想直接用 OKVIS 的代碼,但是有點看不懂。知乎上鄭帆寫的文章《四元數矩陣與 so(3) 左右雅可比 》提到 OKVIS 的預積分是使用四元數,而預積分論文中使用 so(
VINS詳解之IMU預積分(一)
看VINS很久了,但一直處於似懂非懂的狀態,因此想借著寫部落格的機會結合論文對程式碼進行詳細的梳理。第一篇就從IMU預積分開始吧。 一 、首先是接收IMU的message 1 void imu_callback(const sensor_msgs::ImuConstPtr &imu_msg
POJ 2140 Herd Sums 公式推導
cpp true typedef 因數 固定 ostream highlight ring sum 題意:給出n<=1e7 求有多少個連續數之和等於k x+x+1+....x+k=n (k+1)k/2+(k+1)x=n (k+1)k+(k+1)2x=2*n (k
vijos - P1543極值問題(斐波那契數列 + 公式推導 + python)
找到 span add gin python3 abi pri n) fill P1543極值問題 Accepted 標簽:[顯示標簽] 背景 小銘的數學之旅2。 描寫敘述 已知m、n為整數,且滿足下列兩個條件: ①
vijos - P1302連續自然數和 (公式推導 + python)
.net ble tags ucid stat down bsp z-index fontsize P1302連續自然數和 Accepted 標簽:[顯示標簽] 描寫敘述 對一個給定的自然數M,求出所有的連續的自然數段(連續個數大於1)
解釋一下核主成分分析(Kernel Principal Component Analysis, KPCA)的公式推導過程(轉載)
線性不可分 itl 專註 out center forest 測試 重要 原因 KPCA,中文名稱”核主成分分析“,是對PCA算法的非線性擴展,言外之意,PCA是線性的,其對於非線性數據往往顯得無能為力,例如,不同人之間的人臉圖像,肯定存在非線性關系,自己做的基於ORL數據
SVM公式推導筆記
svm width org sin .org 參考資料 zhang www http 參考資料: 對偶函數-http://blog.pluskid.org/?p=702 KTT和拉格朗日乘子-http://www.cnblogs.com/zhangchaoyan
反向傳播算法(過程及公式推導)
不能 簡化 會有 geo 之前 代碼 求和 不同 eof 一、反向傳播的由來 在我們開始DL的研究之前,需要把ANN—人工神經元網絡以及bp算法做一個簡單解釋。關於ANN的結構,我不再多說,網上有大量的學習資料,主要就是搞清一些名詞:輸入層/輸入神經元,輸出層/輸出神經元,
機器學習之支持向量機(一):支持向量機的公式推導
根據 監督式 art 通用 利用 哪些 這就是 在線 方法 註:關於支持向量機系列文章是借鑒大神的神作,加以自己的理解寫成的;若對原作者有損請告知,我會及時處理。轉載請標明來源。 序: 我在支持向量機系列中主要講支持向量機的公式推導,第一部分講到推出拉格朗日對偶函數的對偶因
VINS-Mono代碼分析與總結(二) 系統初始化
exp 簡單 都是 最小值 cnblogs 特征向量 vision 還要 per VINS-Mono代碼註釋:https://github.com/gaochq/VINS-Mono/tree/comment 註釋不完整,可以一起交流。 參考文獻 1 VINS-Mono: A
VINS-Mono代碼分析與總結(最終版)
highlight 不一致 cat 前言 邊緣 會有 tag 相對 歸一化 VINS-Mono代碼分析總結 參考文獻 1 VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator,
VINS-mono詳細解讀
fusion 尋找 結果 field 錯誤 記錄 不用 tomat IE VINS-mono詳細解讀 極品巧克力 前言 Vins-mono是香港科技大學開源的一個VIO算法,https://github.com/HKUST-Aerial-Robotics/VINS-Mo
最速降線問題公式推導
關系 工作 第一個 int sub dash calc quad 證明 以前對物理特別感興趣的時候就專門研究過一段時間的變分法,記得當時閱讀了一本十分不錯的書籍,其作者名挺有趣的—老大中先生的《變分法基礎》(真的很不錯的一本講變分法的書,有興趣的同學可以去看
機器學習 LR中的參數叠代公式推導——極大似然和梯度下降
jpg blog 我們 應該 圖片 最大似然 gpo 機器學習實戰 pos 機器學習 LR中的參數叠代公式推導——極大似然和梯度下降 Logistic本質上是一個基於條件概率的判別模型(DiscriminativeModel)。
線性回歸 及 正則化 公式推導
tail 損失函數 csdn .net net nbsp art 公式推導 模型 基礎公式: ?BA/?A = BT ?ATB/?A = B ?ATBA/?A = 2BA 模型函數: hθ(x) = xθ 無正則化損失函數: J(θ) = 1/2(Xθ-Y)2
點到超平面距離公式 推導
idt ima .net || mage sub detail eight 技術 公式: d = |wx0 + b|/||w||2 推導: 參考文獻: https://blog.csdn.net/yutao03081/article/details/7
貝葉斯公式推導
樣本 條件樣式 區別 str 假設 分享 們的 圖片 繼續 基本概念 樣本空間:{試驗所有可能結果}-->一個試驗所有可能結果的集合,用 Ω 表示。所以P(Ω) = 1 事件:樣本空間的一個子集。用A、B、C表示。 條件概率 其實
【CodeForces - 215B】【Olympic Medal】(數學公式推導)
題目: The World Programming Olympics Medal is a metal disk, consisting of two parts: the first part is a ring with outer radius of r1 cm,
VINS-Mono翻譯
Abstract 由攝像機和低成本慣性測量單元(IMU)組成的單目視覺慣性系統(VINS)構成了用於度量六自由度狀態估計的最小感測器套件。然而,由於缺乏直接距離測量,在IMU處理、估計器初始化、外部標定和非線性優化等方面提出了重大挑戰。在本文中,我們提出了一種魯棒的、通用的單目視覺慣性狀態估計器V