0. 简介

上一节中，我们过完了VIO中的状态预测以及特征点跟踪部分。此时我们已经拿到了光流的特征点信息，而这部分越来越接近我们想要去讲的帧到帧的VIO部分了。这一节，我们将围绕着VIO部分来进行讲解

1. PNP误差更新

我们从之前的博客《经典文献阅读之–R3LIVE》了解到，帧到帧的VIO是将三维地图点投影到上一个图像帧获取二维座标然后通过LK光流法获取到在当前帧的二维坐标，然后可以通过ESIKF计算误差更新状态(计算PNP，更新ESIKF)

而ESIKF更新VIO是通过最小化PNP误差更新的，对应了下面这部分代码

// Pnp求解，然后更新img_pose
if ( op_track.remove_outlier_using_ransac_pnp( img_pose ) == 0 )
{cout << ANSI_COLOR_RED_BOLD << "****** Remove_outlier_using_ransac_pnp error*****" << ANSI_COLOR_RESET << endl;
}

我们知道PnP(Perspective-n-Point)是求解3D到2D点的对应方法。它描述了当知道n个3D空间点及其位置，如何估计相机的位姿。详细推导看上面链接即可，这里就不过多展开了。

对于帧间追踪，假设上一帧追踪到mmm个地图点P={P1,…,Pm}\mathcal{P}=\left\{\mathbf{P}_{1}, \ldots, \mathbf{P}_{m}\right\}P={P1,…,Pm}，它们在上一帧图像平面上的投影点也是知道的，通过LK光流可以得到这些投影点在当前帧上的估计位置。随后构建重投影误差，通过ESIKF的方式更新状态xk{\mathbf{x}}_{k}xk。下面我们来看一下代码中PNP是如何求出误差的：

 if ( 1 ){std::vector< int > status;try{cv::solvePnPRansac( pt_3d_vec, pt_2d_vec, m_intrinsic, cv::Mat(), r_vec, t_vec, false, 200, 1.5, 0.99,status ); // SOLVEPNP_ITERATIVE}catch ( cv::Exception &e ){scope_color( ANSI_COLOR_RED_BOLD );cout << "Catching a cv exception: " << e.msg << endl;return 0;}if ( if_remove_ourlier ){// Remove outlierm_map_rgb_pts_in_last_frame_pos.clear();m_map_rgb_pts_in_current_frame_pos.clear();for ( unsigned int i = 0; i < status.size(); i++ ){int inlier_idx = status[ i ];{m_map_rgb_pts_in_last_frame_pos[ map_ptr_vec[ inlier_idx ] ] = pt_2d_vec[ inlier_idx ];m_map_rgb_pts_in_current_frame_pos[ map_ptr_vec[ inlier_idx ] ] = pt_2d_vec[ inlier_idx ];}}}update_last_tracking_vector_and_ids();}

文中的公式3,4代表了投影误差计算，公式3中Cps^Cp_sCps代表了在相机坐标系下的sss点。Ik−1I_{k-1}Ik−1代表了上一时刻的图像帧，以及他们在Ik−1\mathbf{I}_{k-1}Ik−1中会存在有{ρ1k,…,ρmk}\left\{\mathcal{\rho}_{1_k}, \ldots, \mathcal{\rho}_{m_k}\right\}{ρ1k,…,ρmk}，投影误差对应了公式4。

其中公式4中的π(Cps,xˇk)∈R2\pi(^Cp_s,\check{x}_k)\in\mathbb{R}^2π(Cps,xˇk)∈R2项是公式5，其中第一项是针孔相机模型的投影函数，第二项为在线时间校正因子（Online-temporal correction factor）。

相关的符号具体含义可以参考下面的表格

2. 帧到帧VIO

下面就是完成帧到帧的VIO的部分了

 ///vio_esikf，依据重投影误差，更新优化状态量state_outres_esikf = vio_esikf( state_out, op_track );g_cost_time_logger.record( tim, "Vio_f2f" );tim.tic( "Vio_f2m" );

对应的函数为vio_esikf文中提到，测量噪声包含两个来源，一个是像素追踪误差，另一个是地图点定位误差:

其中Gpsgt^G\mathbf{p}_{s}^{\mathrm{gt}}Gpsgt和ρskgt\rho_{s_{k}}^{\mathrm{gt}}ρskgt分别为Gps^G\mathbf{p}_{s}Gps和ρsk\rho_{s_{k}}ρsk的真值。然后根据公式4将残差一阶泰勒展开

// 遍历当前帧跟踪到的地图点
for ( auto it = op_track.m_map_rgb_pts_in_last_frame_pos.begin(); it != op_track.m_map_rgb_pts_in_last_frame_pos.end(); it++ )
{// 取地图坐标系中的地图点坐标pt_3d_w = ( ( RGB_pts * ) it->first )->get_pos();// 跟踪像素点的速度pt_img_vel = ( ( RGB_pts * ) it->first )->m_img_vel;// 该地图点对应于上一帧的像素点坐标pt_img_measure = vec_2( it->second.x, it->second.y );// 将地图点从世界坐标系变换到当前帧相机坐标系pt_3d_cam = R_w2c * pt_3d_w + t_w2c;// 利用相机模型以及估计的相机-imu时间偏差导致的增量，得到地图点在当前帧图像的投影像素坐标 pt_img_projpt_img_proj = vec_2( fx * pt_3d_cam( 0 ) / pt_3d_cam( 2 ) + cx, fy * pt_3d_cam( 1 ) / pt_3d_cam( 2 ) + cy ) + time_td * pt_img_vel;// 计算重投影误差，这里计算的是误差的大小，不用于迭代求解，只是用来确定huber核函数double repro_err = ( pt_img_proj - pt_img_measure ).norm();double huber_loss_scale = get_huber_loss_scale( repro_err );//huber 1.0pt_idx++;acc_reprojection_error += repro_err;// if (iter_count == 0 || ((repro_err - last_reprojection_error_vec[pt_idx]) < 1.5))if ( iter_count == 0 || ( ( repro_err - last_avr_repro_err * 5.0 ) < 0 ) ){last_reprojection_error_vec[ pt_idx ] = repro_err;}else{last_reprojection_error_vec[ pt_idx ] = repro_err;}avail_pt_count++;

其中

根据这个一阶展开，可以和IMU传播的先验分布组合，获得当前估计位姿的MAP

其中∥x∥∑2=xT∑−1x\|x\|^2_{\sum}=x^T\sum^{-1}x∥x∥∑2=xT∑−1x是带有协方差∑\sum∑的马氏距离平方，x^k\hat{x}_kx^k是IMU传播的状态估计，H\mathcal{H}H是从x^k\hat{x}_kx^k切平面投影到xˇk\check{x}_kxˇk切平面的状态误差的雅克比矩阵，其中公式（12）的详细推导可以看R2LIVE的E小节。

    // Appendix E of r2live_Supplementary_material.// https://github.com/hku-mars/r2live/blob/master/supply/r2live_Supplementary_material.pdf// 像素对相机点求雅可比mat_pre << fx / pt_3d_cam( 2 ), 0, -fx * pt_3d_cam( 0 ) / pt_3d_cam( 2 ), 0, fy / pt_3d_cam( 2 ), -fy * pt_3d_cam( 1 ) / pt_3d_cam( 2 );pt_hat = Sophus::SO3d::hat( ( R_imu.transpose() * ( pt_3d_w - t_imu ) ) );//IMU系下地图点 p(IMU)^ = R(IMU <-- W) * ( p(W) - p(IMU) )mat_A = state_iter.rot_ext_i2c.transpose() * pt_hat;//3 * 3,  R（C <-- IMU) * p(imu)^mat_B = -state_iter.rot_ext_i2c.transpose() * ( R_imu.transpose() );// - R(C <--IMU) * R(IMU <-- W)mat_C = Sophus::SO3d::hat( pt_3d_cam );// p(C)^mat_D = -state_iter.rot_ext_i2c.transpose();// - R(C <-- IMU)meas_vec.block( pt_idx * 2, 0, 2, 1 ) = ( pt_img_proj - pt_img_measure ) * huber_loss_scale / img_res_scale;//观测向量填充H_mat.block( pt_idx * 2, 0, 2, 3 ) = mat_pre * mat_A * huber_loss_scale;// H, 1-2行，前3列, 对R(IMU)雅可比H_mat.block( pt_idx * 2, 3, 2, 3 ) = mat_pre * mat_B * huber_loss_scale;// H, 1-2行，4-6列，对P(IMU)雅可比if ( DIM_OF_STATES > 24 ){// Estimate time td. 对时间差的导数H_mat.block( pt_idx * 2, 24, 2, 1 ) = pt_img_vel * huber_loss_scale;// H，1-2行， 25-26列，对像素速度雅可比// H_mat(pt_idx * 2, 24) = pt_img_vel(0) * huber_loss_scale;// H_mat(pt_idx * 2 + 1, 24) = pt_img_vel(1) * huber_loss_scale;}if ( m_if_estimate_i2c_extrinsic ){H_mat.block( pt_idx * 2, 18, 2, 3 ) = mat_pre * mat_C * huber_loss_scale;//H ,1-2行，19-21列，对外参R(IMU<--C)雅可比H_mat.block( pt_idx * 2, 21, 2, 3 ) = mat_pre * mat_D * huber_loss_scale;//H ,1-2行，22-24列，对外参t(IMU<--C)雅可比}if ( m_if_estimate_intrinsic ){H_mat( pt_idx * 2, 25 ) = pt_3d_cam( 0 ) / pt_3d_cam( 2 ) * huber_loss_scale;//H,1行，26列，对内参fx雅可比H_mat( pt_idx * 2 + 1, 26 ) = pt_3d_cam( 1 ) / pt_3d_cam( 2 ) * huber_loss_scale;//H,2行，27列，对内参fy雅可比H_mat( pt_idx * 2, 27 ) = 1 * huber_loss_scale;//H,1行，28列，对内参cx雅可比H_mat( pt_idx * 2 + 1, 28 ) = 1 * huber_loss_scale;//H,2行，29列，对内参cy雅可比}
}

给出卡尔曼滤波的相关定义:

卡尔曼增益可以定义为:

状态更新为:

并且根据FAST-LIO2的公式推导，这样的迭代更新过程是等价于高斯牛顿优化的，对应的代码如下。

 H_mat = H_mat / img_res_scale;acc_reprojection_error /= total_pt_size;last_avr_repro_err = acc_reprojection_error;if ( avail_pt_count < minimum_iteration_pts ){break;}H_mat_spa = H_mat.sparseView();Eigen::SparseMatrix< double > Hsub_T_temp_mat = H_mat_spa.transpose();vec_spa = ( state_iter - state_in ).sparseView();H_T_H_spa = Hsub_T_temp_mat * H_mat_spa;// Notice that we have combine some matrix using () in order to boost the matrix multiplication.
//(H^T * H + P^-1)^-1Eigen::SparseMatrix< double > temp_inv_mat =( ( H_T_H_spa.toDense() + eigen_mat< -1, -1 >( state_in.cov * m_cam_measurement_weight ).inverse() ).inverse() ).sparseView();KH_spa = temp_inv_mat * ( Hsub_T_temp_mat * H_mat_spa );//K * H
// (H^T * H + P^-1)^-1 * ( H^T * (-Z) ) - ( I - K * H) * (X_k - X_0)
// delta_error_X = X_k+1 - X_k = -K * Z - (I - K * H) * (X_k - X_0)solution = ( temp_inv_mat * ( Hsub_T_temp_mat * ( ( -1 * meas_vec.sparseView() ) ) ) - ( I_STATE_spa - KH_spa ) * vec_spa ).toDense();state_iter = state_iter + solution;if ( fabs( acc_reprojection_error - last_repro_err ) < 0.01 ){break;}last_repro_err = acc_reprojection_error;

3. 帧到地图VIO

帧到地图的光度误差更新，这部分代码在帧与帧VIO后，基本上和帧到帧的VIO一样。

在帧间VIO更新后，我们得到了一个更新好的估计状态xˇk\check{x}_kxˇk，然后我们通过最小跟踪点的光度误差来求解帧到地图，以降低漂移。

 ///以ESIKF形式，依据rgb误差，更新优化状态量state_outres_photometric = vio_photometric( state_out, op_track, img_pose );g_cost_time_logger.record( tim, "Vio_f2m" );g_lio_state = state_out;//更新当前body的状态量print_dash_board();set_image_pose( img_pose, state_out );//更新image状态量

误差直接用帧到三维地图点的光度误差，公式如下，其中csc_scs是保存在全局地图中点的颜色，γs\gamma_sγs是当前帧图像Ik\mathbf{I}_kIk中观测到的颜色。

为了获得观测颜色以及协方差矩阵∑nγs\sum_{n_{\gamma_s}}∑nγs，文中预测当前帧图像Ik\mathbf{I}_kIk上的点坐标ρ~sk=π(Cps,xˇk)\tilde{\rho}_{s_k}= \pi(^Cp_s,\check{x}_k)ρ~sk=π(Cps,xˇk)，然后线性差值计算得到相邻像素的RGB颜色。同时两个参数有各自对应的测量噪声。

与前面一样，根据前面的19-21，完成一阶泰勒展开:

 ///遍历所有地图点，计算雅可比矩阵和观测向量for ( auto it = op_track.m_map_rgb_pts_in_last_frame_pos.begin(); it != op_track.m_map_rgb_pts_in_last_frame_pos.end(); it++ ){if ( ( ( RGB_pts * ) it->first )->m_N_rgb < 3 ) //没有rgb跳过{continue;}pt_idx++;pt_3d_w = ( ( RGB_pts * ) it->first )->get_pos();pt_img_vel = ( ( RGB_pts * ) it->first )->m_img_vel;pt_img_measure = vec_2( it->second.x, it->second.y );pt_3d_cam = R_w2c * pt_3d_w + t_w2c; //3D地图点转换到相机系下pt_img_proj = vec_2( fx * pt_3d_cam( 0 ) / pt_3d_cam( 2 ) + cx, fy * pt_3d_cam( 1 ) / pt_3d_cam( 2 ) + cy ) + time_td * pt_img_vel;//投影到像素坐标vec_3   pt_rgb = ( ( RGB_pts * ) it->first )->get_rgb(); //地图点rgbmat_3_3 pt_rgb_info = mat_3_3::Zero();mat_3_3 pt_rgb_cov = ( ( RGB_pts * ) it->first )->get_rgb_cov();//地图点rgb对角协方差矩阵for ( int i = 0; i < 3; i++ ){pt_rgb_info( i, i ) = 1.0 / pt_rgb_cov( i, i ) / 255; //info_rgb(map) = 1 / (cov_rgb(map) * 255)R_mat_inv( pt_idx * err_size + i, pt_idx * err_size + i ) = pt_rgb_info( i, i );//斜对角块 R_i = 1 / (cov_pt_i_cov * 255)// R_mat_inv( pt_idx * err_size + i, pt_idx * err_size + i ) =  1.0;}vec_3  obs_rgb_dx, obs_rgb_dy; //影像中x、y方向上的rgb差值//投影点从影像插值获取rgb，计算x、y方向上的rgb差值vec_3  obs_rgb = image->get_rgb( pt_img_proj( 0 ), pt_img_proj( 1 ), 0, &obs_rgb_dx, &obs_rgb_dy );vec_3  photometric_err_vec = ( obs_rgb - pt_rgb ); //rgb误差: 图像对应点rgb - 地图点rgbdouble huber_loss_scale = get_huber_loss_scale( photometric_err_vec.norm() ); //huber 1.0photometric_err_vec *= huber_loss_scale;double photometric_err = photometric_err_vec.transpose() * pt_rgb_info * photometric_err_vec; //影像误差 e^T * info_rgb(map) * eacc_photometric_error += photometric_err;last_reprojection_error_vec[ pt_idx ] = photometric_err;//影像误差向量索引i填充

然后下面的图片代表了不同成分的含义

    avail_pt_count++;// 像素坐标对相机坐标求导 ，-z^2????mat_pre << fx / pt_3d_cam( 2 ), 0, -fx * pt_3d_cam( 0 ) / pt_3d_cam( 2 ), 0, fy / pt_3d_cam( 2 ), -fy * pt_3d_cam( 1 ) / pt_3d_cam( 2 );mat_d_pho_d_img = mat_photometric * mat_pre;//jacobian与vio_esikf相同pt_hat = Sophus::SO3d::hat( ( R_imu.transpose() * ( pt_3d_w - t_imu ) ) ); //IMU系下地图点 p(IMU)^ = R(IMU <-- W) * ( p(W) - p(IMU) )mat_A = state_iter.rot_ext_i2c.transpose() * pt_hat; //3 * 3， R（C <-- IMU) * p(imu)^mat_B = -state_iter.rot_ext_i2c.transpose() * ( R_imu.transpose() ); // - R(C <--IMU) * R(IMU <-- W)mat_C = Sophus::SO3d::hat( pt_3d_cam );// p(C)^mat_D = -state_iter.rot_ext_i2c.transpose();// - R(C <-- IMU)meas_vec.block( pt_idx * 3, 0, 3, 1 ) = photometric_err_vec ; //观测向量填充H_mat.block( pt_idx * 3, 0, 3, 3 ) = mat_d_pho_d_img * mat_A * huber_loss_scale;H_mat.block( pt_idx * 3, 3, 3, 3 ) = mat_d_pho_d_img * mat_B * huber_loss_scale;if ( 1 ){if ( m_if_estimate_i2c_extrinsic ){H_mat.block( pt_idx * 3, 18, 3, 3 ) = mat_d_pho_d_img * mat_C * huber_loss_scale; //外参雅可比H_mat.block( pt_idx * 3, 21, 3, 3 ) = mat_d_pho_d_img * mat_D * huber_loss_scale;}}
}
R_mat_inv_spa = R_mat_inv.sparseView();last_avr_repro_err = acc_photometric_error;
if ( avail_pt_count < minimum_iteration_pts )
{break;
}

…详情请参照古月居

R3LIVE代码详解（四）相关推荐

R3LIVE代码详解（一）
0. 简介之前我们立了一个Flag,就是要对R3LIVE进行详细的分析,当时就提到R3LIVE作为一个非常经典的文章,和LVI-SAM一样都是一种激光–惯性–视觉结合的SLAM算法.对于R3LIVE ...
R3LIVE代码详解（二）
0. 简介我们在上文中提到R3LIVE主要由两个node节点所依赖的cpp文件组成,我们在上一节中完成了r3live_LiDAR_front_end 简单介绍,下面我们需要详细的看/r3live_m ...
R3LIVE代码详解（三）
0. 简介在上一章中,我们过完了主函数以及LIO的操作,由于这部分代码在FAST-LIO2中已经充分详细的介绍过了,所以说这里在R3LIVE中就不过多介绍了,下面我们来看一下本系列的重点,即VIO部 ...
linux 进程间通信 dbus-glib【实例】详解四（上） C库 dbus-glib 使用（附代码）（编写接口描述文件.xml，dbus-binding-tool工具生成绑定文件）（列集散集函数）
linux 进程间通信 dbus-glib[实例]详解一(附代码)(d-feet工具使用) linux 进程间通信 dbus-glib[实例]详解二(上) 消息和消息总线(附代码) linux 进程间 ...
微信小程序系列（6）如何用微信小程序写一个论坛？贴心代码详解（四）搜索页
源代码已开源,如果对你有帮助可以点个星:https://github.com/linkaimin/xdzs 写论坛不难,重点是各页面之间的信息传递! 先放成品图,虽然有点单调....但是麻雀虽小五脏俱 ...
【CV】Pytorch一小时入门教程-代码详解
目录一.关键部分代码分解 1.定义网络 2.损失函数(代价函数) 3.更新权值二.训练完整的分类器 1.数据处理 2. 训练模型(代码详解) CPU训练 GPU训练 CPU版本与GPU版本代码区别 ...
java编程数据溢出问题_Java数据溢出代码详解
Java数据溢出代码详解发布时间:2020-10-05 15:08:31 来源:脚本之家阅读:103 作者:Pony小马 java是一门相对安全的语言,那么数据溢出时它是如何处理的呢? 看一段代码 ...
Android Studio 插件开发详解四：填坑
转载请标明出处:http://blog.csdn.net/zhaoyanjun6/article/details/78265540 本文出自[赵彦军的博客] 系列目录 Android Gradle使用 ...
数据结构--图(Graph)详解(四)
数据结构–图(Graph)详解(四) 文章目录数据结构--图(Graph)详解(四) 一.图中几个NB的算法 1.普里姆算法(Prim算法)求最小生成树 2.克鲁斯卡尔算法(Kruskal算法)求最 ...

R3LIVE代码详解（四）