ORB-SLAM中，什么情况下会发生F矩阵的简化呢？

酥油清分 2022-03-23 19:40:48

ORB-SLAM中，什么情况下会发生F矩阵的简化呢？

...全文

2147 1 打赏收藏转发到动态举报

写回复

1 条回复

切换为时间正序

请发表友善的回复…

发表回复

weixin_38498942 2022-03-24

打赏
举报

回复

纯平移运动（就是沿着相机坐标系的z轴运动），这种情况下F矩阵简化成了一个反对称矩阵，并且只有两个自由度（反对称矩阵并且尺度不变性），因此两组匹配点就可以求解这种情况，因此这种情况下，上面退化的第二种情况就不会发生了，因为两组匹配点构成的两个空间点肯定都是公面的。

摘要 ORB-SLAM3是第一个能够让单目、立体相机和RGB-D相机与针孔和鱼眼镜头模型解耦进行视觉、视觉+惯性和多地图SLAM的系统。第一个主要的创新是一个基于特征的紧密集成视觉+惯性SLAM系统，它完全依赖于最大后验概率（MAP）估计，甚至在IMU初始化阶段也是如此。结果表明该系统可以实时地在小场景，大场景，室内环境，室外环境等多种场景下运行，并且准确度是以前方法的2到10倍。第二个主要的创新是一个多地图系统，它依赖于一种新的位置识别方法并提高了回环的召回率。多亏了它，ORB-SLAM3能够在长时间

我们介绍一种新的基于深度学习的SLAM系统，DROID-SLAM，其包括通过一个Dense BA层反复迭代更新相机位姿和像素深度。这个系统是精确的，比之前的工作取得了大的提升，并且是鲁棒的，遭受灾难性失败要少得多。尽管在单目视频上进行训练，但它可以利用双目立体或RGB-D视频在测试时达到更好的性能。

最近在学习SLAM算法，这里作为阅读笔记记录和总结一下。对经典的单目SLAM/VO算法做了摘要和总结，比如Nister VO、MonoSLAM、PTAM、ORB-SLAM、LSD-SLAM、SVO、DSO等，对几个单目和IMU的融合算法也做了简单总结，比如MSCKF、OKVIS、IMU-Preintegration等。

Yang and Scherer 展示了一种方法用于单图片3D方块物体检测和静态和动态环境中的多视角物体SLAM，并证实了两部分都能互相提高。首先，对于单图片物体检测，作者从2D框和消失点采样生成了高质量的立体区域建议框。建议框基于图片边缘对齐被进一步计分和选择。第二，具有物体测量的多视角BA被提出来优化相机位姿，物体和点。物体可以提供长距离几何和尺度约束来提高相机位姿估计并减少单目漂移。并没有把动态区域当做外点，作者使用物体表示和运动模型约束来提高相机位姿估计。在SUN RBGD和KITTI上的3D

SLAM注重实时性和动态环境下的自定位与地图生成，适用于移动设备的自主导航和环境感知。而三维重建专注于静态场景的高精度模型生成，适用于需要详细三维结构表示的应用。二者在处理方式、数据输入、输出结果和应用领域上都有显著的不同。相机姿态估计通过对多张图像中的特征点匹配，利用对极几何中的基本矩阵和本质矩阵关系，推导出相机的相对位置和方向。最终，通过捆绑调整等优化手段，得到准确的相机姿态。这是三维重建和SLAM中实现空间场景理解的关键步骤。基本矩阵是两张图像中对应点对的几何约束，而不是直接描述图像之间的旋转和平移。

高通开发者论坛

2,852

社区成员

5,758

社区内容

发帖

与我相关

我的任务

人工智能物联网机器学习技术论坛（原bbs）北京·东城区

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章