SLAM中的后端优化

本节介绍SLAM中的后端优化过程

一、问题阐述

同时对三维点位置和相机参数进行非线性优化

BA原理

二、LM法的原理与优势

原理:是一种“信赖域”的方法,当收敛速度较快时,增大信赖域使算法趋向于高斯牛顿法;当收敛速度较慢时,减小信赖域使算法趋向于最速下降法。

优势:速度快;可以在距离初始值较远处得到最优解。

SLAM优化算法对比

算法 缺点 优点
KF/EKF 假设噪声为高斯分布,在高维状态空间时计算效率较低,不适合大规模场景的地图构建 原理简单,小场景下收敛性好。
PF 会不可避免出现粒子退化现象,每个粒子需包含整张地图信息导致不适合大场景地图构建 将运动方程表示为一组粒子,通过蒙特卡罗方法求解,能够处理非线性非高斯噪声。
EM 计算量大,不能用于大规模场景 有效解决了数据关联问题
图优化 对闭环检测算法的要求严格 出现多种图优化框架,能够有效解决滤波器算法的缺陷,能用于大规模场景的地图创建
posted @ 2020-03-30 13:53  少年笔谈  阅读(1178)  评论(0编辑  收藏  举报