對(duì)于“面向?qū)ο蟆钡某绦蛟O(shè)計(jì)者來說，有本必備的書的叫做《設(shè)計(jì)模式-可復(fù)用面向?qū)ο筌浖幕A(chǔ)》。那么在slam的實(shí)現(xiàn)中有沒有這一種或者幾種可以總結(jié)歸納的設(shè)計(jì)模式呢？
我們?cè)诳匆恍㏒lam的書的時(shí)候，有些要么就是介紹很多狀態(tài)估計(jì)的理論，要么就是介紹多視圖幾何的各種視覺理論。那么我們?cè)诳戳诉@些理論之后，仍然無法下手，那么一個(gè)典型的好的Slam的代碼的基本結(jié)構(gòu)是什么樣的呢？一個(gè)slam代碼的基本結(jié)構(gòu)是怎樣的？有哪些基本要素？
一個(gè)自然的想法就是從圖像中獲取想要的定位的信息。在機(jī)器人移動(dòng)的過程中相機(jī)捕捉到一個(gè)圖像序列。在這個(gè)圖像序列中機(jī)器人看到周圍的景物是在按照一定的規(guī)律移動(dòng)和變化的，那么景物移動(dòng)的規(guī)律和機(jī)器人自身移動(dòng)的規(guī)律有什么關(guān)系呢？這個(gè)關(guān)系可以根據(jù)空間變換來確定。
那么如何根據(jù)圖像序列的內(nèi)容提取景物的移動(dòng)規(guī)律呢？可以跟蹤圖像上景物的一些點(diǎn)，圖像很多點(diǎn)的統(tǒng)計(jì)規(guī)律可以表征景物的移動(dòng)規(guī)律。這就是提取特征點(diǎn)進(jìn)行跟蹤或者直接使用灰度點(diǎn)跟蹤的意義所在，根據(jù)我們使用的點(diǎn)的方式不容，可以看到兩種不同的slam前端方法——直接法和特征法。
那么如何實(shí)現(xiàn)這樣的跟蹤器呢？slam算法在讀到一張圖像之后，首先把當(dāng)前圖像的點(diǎn)和前一幀圖像的點(diǎn)對(duì)應(yīng)起來，那么需要多少個(gè)點(diǎn)對(duì)應(yīng)呢？怎么實(shí)現(xiàn)點(diǎn)對(duì)應(yīng)呢？基于特征的方法是提取圖像中的特征點(diǎn)，用于匹配不同圖像中相同的點(diǎn)，這是一種思路，常用的有SIFT ORB等。另外一個(gè)思路是由于機(jī)器人的運(yùn)動(dòng)相對(duì)于圖像的幀率較慢的時(shí)候，圖像的內(nèi)容變化較小，因此在局部搜索可以找到上一幀圖像的點(diǎn)的位置，這就是直接法的思路。
我們這里引入一個(gè)Frame結(jié)構(gòu)，為了實(shí)現(xiàn)上述的跟蹤器，第一步是讀取圖像，通過圖像的數(shù)據(jù)估計(jì)當(dāng)前幀對(duì)應(yīng)的位姿狀態(tài)。場(chǎng)景中相同的點(diǎn)在不同的視角中構(gòu)成一個(gè)基礎(chǔ)矩陣的關(guān)系，一個(gè)圖像幀的圖像平面和另一幀的圖像的平面之間構(gòu)成單應(yīng)矩陣的關(guān)系。使用最小二乘法通過圖像點(diǎn)可以計(jì)算得到單應(yīng)矩陣和基礎(chǔ)矩陣，使用矩陣奇異值分解（SVD）可將單應(yīng)矩陣或者基礎(chǔ)矩陣分解恢復(fù)出位姿變化。這些內(nèi)容的實(shí)現(xiàn)可以放到Frame結(jié)構(gòu)，也可以像ORB那樣專門放到一個(gè)Initializer里邊。Frame需要和Map完成互動(dòng)。除了需要計(jì)算當(dāng)前幀的位姿，還要完成特征點(diǎn)的三維重建。有的方法使用了一個(gè)深度濾波器，如SVO，LSD中考慮了極線與深度的夾角，這樣會(huì)得到一個(gè)半稠密的地圖。因?yàn)槌砻艿牡貓D點(diǎn)想要試試完成一般是需要使用GPU來完成的。圖像的上的特征點(diǎn)和空間中的三維點(diǎn)如何對(duì)應(yīng)呢？常用的方法是PnP。PnP是已知三維點(diǎn)計(jì)算相機(jī)位姿，三維重建是已知相機(jī)位姿計(jì)算三維點(diǎn)。
PnP的計(jì)算中需要知道相機(jī)的內(nèi)參數(shù)，這里引入第二個(gè)結(jié)構(gòu)—-相機(jī)模型Camera，他保存并管理相機(jī)的參數(shù)，進(jìn)行一些圖像空間到世界空間的轉(zhuǎn)換，完成圖像點(diǎn)（關(guān)鍵特征點(diǎn)）的去畸變。
如何解決累積誤差問題？常用的方法是使用路標(biāo)點(diǎn)和當(dāng)前圖像點(diǎn)進(jìn)行匹配估計(jì)相機(jī)的運(yùn)動(dòng)，這時(shí)候需要存儲(chǔ)這些路標(biāo)點(diǎn)的描述子。另外一方面在LSD-SLAM, SVO等方法中，是怎樣存儲(chǔ)路標(biāo)點(diǎn)的呢？這里引入一個(gè)結(jié)構(gòu)叫做Mappoint。
如何評(píng)價(jià)一個(gè)路標(biāo)點(diǎn)的好壞程度？如何保存并管理這些路標(biāo)點(diǎn)呢？路標(biāo)點(diǎn)的添加刪除等管理工作可以放入另外一個(gè)結(jié)構(gòu)Map中進(jìn)行。地圖中以何種形式保存這些路標(biāo)呢，一種方法是路標(biāo)放在圖像幀里，作為關(guān)鍵幀KeyFrame進(jìn)行保存和提取。關(guān)鍵幀串起來成為一個(gè)地圖。這樣做的好處就是我們使用了關(guān)鍵幀繼承了幀的性質(zhì)，便于以后特征點(diǎn)匹配。在前邊累計(jì)相機(jī)運(yùn)動(dòng)的時(shí)候，參考幀是前一幀圖像，這里的參考幀是關(guān)鍵幀的圖像。關(guān)鍵幀是相機(jī)運(yùn)動(dòng)過程中保留了重要信息的最小集合中的元素。理論上關(guān)鍵幀是沒有重疊的。后端優(yōu)化的對(duì)象主要是關(guān)鍵幀。
那么我們換一個(gè)角度來看問題，從時(shí)間軸上，我們關(guān)心的有兩個(gè)狀態(tài)，一個(gè)當(dāng)前的時(shí)刻，另外一個(gè)以前的時(shí)刻。對(duì)于當(dāng)前的時(shí)刻我們要保持實(shí)時(shí)性。對(duì)于以前的時(shí)刻我們要通過他來提高精度。這就是為什么要分開來做前端和后端的問題。 事實(shí)上，優(yōu)化并非僅僅存在于后端，優(yōu)化存在于前端的運(yùn)動(dòng)估計(jì)中(基礎(chǔ)矩陣計(jì)算，于運(yùn)動(dòng)估計(jì)的計(jì)算)，后端中關(guān)鍵幀的優(yōu)化（BA）。這些優(yōu)化中形成矩陣結(jié)構(gòu)H是稀疏的（對(duì)應(yīng)圖網(wǎng)絡(luò)），可以顯式的利用圖優(yōu)化表示。H的稀疏性為圖優(yōu)化方法的SLAM提供了實(shí)時(shí)性的保證。這里可以引入一個(gè)結(jié)構(gòu)Optimizater，用來完成上述內(nèi)容中提到的各種優(yōu)化工作。我們這里總結(jié)一下可以優(yōu)化的步驟是那些呢？
? 三維點(diǎn)（點(diǎn)的深度）的優(yōu)化（三角測(cè)量）
? 后端的關(guān)鍵幀中的位姿和路標(biāo)點(diǎn)的BA（關(guān)鍵幀的邊緣化）
? 初始化過程的單應(yīng)矩陣和基礎(chǔ)矩陣的優(yōu)化
? PnP計(jì)算相機(jī)位姿
注意
有些VO的算法中由于后端很小，所以把后端的內(nèi)容一起移到了前端，然后每一幀都做一次BA，這樣要求H矩陣（BA中的被優(yōu)化結(jié)構(gòu)）一定要保持稀疏性。
維護(hù)一個(gè)地圖的另外一個(gè)好處就是即使當(dāng)前跟蹤的某一幀丟失，之后跟蹤上的幀仍然可以恢復(fù)出運(yùn)動(dòng)。這樣的前提是一個(gè)不斷更新的地圖，而且這個(gè)地圖是正確的。這樣的地圖可以是局部的也可以全局的。全局地圖的規(guī)模較大（更像SLAM，可以完成閉環(huán)），計(jì)算量比較大，因此適用于一些要求精確定位的地方，對(duì)于一些計(jì)算能力弱的場(chǎng)合適用于局部地圖（更像一個(gè)VO，不能做閉環(huán)）。在局部地圖中，考慮需要丟掉一些之前的幀，這個(gè)過程叫做marginalization(邊緣化)。
跟蹤器的狀態(tài)有幾種，1. 初始化，順利跟蹤，丟失。因此我們還需要一個(gè)初始化的過程，這個(gè)過程中有哪些內(nèi)容？對(duì)第一/二幀圖像的匹配，單應(yīng)和基礎(chǔ)矩陣的計(jì)算。這個(gè)其實(shí)在Frame結(jié)構(gòu)中涉及過。那么可以構(gòu)建一個(gè)Initializer，完成相應(yīng)的工作。
到這里，slam只是完成了一部分，可以稱之為前端吧。我們?cè)谥蟮膬?nèi)容接續(xù)介紹關(guān)于后端的設(shè)計(jì)方法和一些模塊的關(guān)系總結(jié)。
這里我們繼續(xù)完成slam的前后端的設(shè)計(jì)
首先我們給出slam程序中各模塊的主要組成部分。
我們先理清楚到底他們干了些什么，然后再說他們?cè)趺磳?shí)現(xiàn)的。其實(shí)吧，現(xiàn)代的CPU對(duì)多線程的代碼支持的越來越好，因?yàn)闆]法提速，只能多個(gè)人（CPU核）干。所以在PTAM把Tracking 和 Maping 分開完之后，大家一下子就覺得這樣玩真的不錯(cuò)，一窩蜂都轉(zhuǎn)成這種玩法。
所以按照國(guó)際慣例，我們還是把前后端分開處理，前端是一個(gè)跟蹤器，后端干的事還挺多的，什么建圖啊，BA，閉環(huán)啊，各種，看著都累。
跟蹤器（定位的過程）
跟蹤顧名思義就是上一幀里邊的點(diǎn)我們特別關(guān)心他們現(xiàn)在在哪里，然后呢，怎么知道他們?nèi)ツ睦锬?#xff1f;有兩種方法，一種使用局部范圍的直接搜索，另外只是使用特征描述子進(jìn)行匹配。匹配正確的點(diǎn)用來計(jì)算他們的幾何關(guān)系，根據(jù)幾何關(guān)系可以恢復(fù)出相機(jī)的運(yùn)動(dòng)，進(jìn)而重建出世界中的三維點(diǎn)。這樣到來新的一幀之后我們都可以提取到一些新的三維點(diǎn)。另外我們可以對(duì)應(yīng)三維點(diǎn)和圖像中的點(diǎn)進(jìn)行計(jì)算相機(jī)的姿態(tài)。這就是跟蹤器的主要目的。
以上內(nèi)容是假設(shè)跟蹤器在順利跟蹤的時(shí)候要干的事，那么問題來了，如果跟蹤不順利或者這就是第一幀那怎么辦？
所以我們把跟蹤分為三種狀態(tài)，一種是第一幀，叫做初始狀態(tài)，其實(shí)在單目中第二幀也屬于這個(gè)狀態(tài)，因?yàn)榈谝粠裁匆哺刹涣?#xff0c;就只能提特征，第二幀來了才有匹配等等。
如果跟蹤失敗，那么這個(gè)狀態(tài)我們成為lost，然后對(duì)應(yīng)的措施是relocalization。 我們看到的那篇posenet就是干這個(gè)的。
在跟蹤中初始化的時(shí)候，計(jì)算匹配點(diǎn)的集合關(guān)系使用的是的一般是單應(yīng)矩陣和基礎(chǔ)矩陣。
在跟蹤時(shí)候匹配當(dāng)前幀和路標(biāo)點(diǎn)，一個(gè)圖像中的點(diǎn)，一個(gè)三維空間中的點(diǎn)，因此用的是PnP，優(yōu)化Pose，路標(biāo)點(diǎn)這里是假設(shè)為靜止的，只有pose被優(yōu)化。
那么優(yōu)化完了，我們可以得到測(cè)量數(shù)據(jù)了，但是為了完成下一次的跟蹤，我們還有一些工作要做。
1. update Local KeyFrame
2. update Local Points
為什么？我們先看他到底做了哪些事就是他的目的是什么。在更新KeyFrame中增加了路標(biāo)點(diǎn)對(duì)當(dāng)前關(guān)鍵幀的索引。我們是通過正匹配找到的這些路標(biāo)點(diǎn)，然后還沒有整理好這些路標(biāo)點(diǎn)和當(dāng)前關(guān)鍵幀的所有關(guān)系，然后就沒法使用這個(gè)幀進(jìn)行匹配了，因?yàn)槲覀兛恳粋€(gè)參考關(guān)鍵幀找到他們的路標(biāo)點(diǎn)。
初始化狀態(tài)
其實(shí)初始化的內(nèi)容還是比較簡(jiǎn)單，因?yàn)楦傻亩嗔司腿菀赘傻木?#xff0c;干的久，實(shí)時(shí)性就沒了，所以只有一件事就是計(jì)算前兩者之間的相對(duì)位姿。一些方法只使用Homograph，有一些方法還要加上基礎(chǔ)矩陣（極線約束），然后就是雙視BA，有一些方法（ORB），指明了要做一個(gè)full BA（為了提高精度），為啥？ 因?yàn)殚_始的時(shí)候最好基礎(chǔ)打的好一些，有信心一些，不然以后的誤差太大，就玩不下去啦。
Lost state
地圖（BA優(yōu)化）
主要有2個(gè)待優(yōu)化的內(nèi)容，一是軌跡中位姿，另外一個(gè)是圖中的路標(biāo)點(diǎn)，不過很多時(shí)候路標(biāo)經(jīng)過幾次優(yōu)化之后就會(huì)不動(dòng)了，那么這個(gè)時(shí)候就會(huì)使用一個(gè)pose graph來降低優(yōu)化的規(guī)模，在ORB中 Covisibility Graph建模這些位姿，就是用路標(biāo)點(diǎn)個(gè)數(shù)表明位姿節(jié)點(diǎn)的權(quán)重的一個(gè)圖。
BA，這個(gè)東西一般是放在整個(gè)過程的最后，就是別人都折騰過（優(yōu)化）一遍之后（緊著那些保證實(shí)時(shí)性的那些東西盡快的先搞出點(diǎn)東西來用著），把所有的東西放到一個(gè)優(yōu)化器全部?jī)?yōu)化。這樣做的好處就是優(yōu)化過后的各部分都會(huì)精度提到，便于以后放心的使用這些東西，剔除掉了不好的outliers，把網(wǎng)絡(luò)之間的關(guān)系理順。
由于跟蹤器和建圖的過程是分線程實(shí)現(xiàn)的，因此兩者之間的同步和協(xié)調(diào)這里也要做一下，主要配合tracker，當(dāng)然tracker因?yàn)榧婢邔?shí)時(shí)性的重要任務(wù)，那么這些工作就丟給了mapping。
mapping其實(shí)也很忙，tracker一直再把關(guān)鍵幀丟過來，mapping根本就來不及處理，只好先 放到一個(gè)地方存著，有一個(gè)隊(duì)列deque。
功能 函數(shù)
計(jì)算關(guān)鍵幀特征點(diǎn)的BoW映射，將關(guān)鍵幀插入地圖 ProcessNewKeyFrame()
剔除ProcessNewKeyFrame函數(shù)中引入的不合格MapPoints MapPointCulling()
相機(jī)運(yùn)動(dòng)過程中與相鄰關(guān)鍵幀通過三角化恢復(fù)出一些MapPoints CreateNewMapPoints()
檢查并融合當(dāng)前關(guān)鍵幀與相鄰幀（兩級(jí)相鄰）重復(fù)的MapPoints SearchInNeighbors()
已經(jīng)處理完隊(duì)列中的最后的一個(gè)關(guān)鍵幀，并且閉環(huán)檢測(cè)沒有請(qǐng)求停止 LocalMapping
local BA Optimizer::LocalBundleAdjustment
檢測(cè)并剔除當(dāng)前幀相鄰的關(guān)鍵幀中冗余的關(guān)鍵幀 KeyFrameCulling();
將當(dāng)前幀加入到閉環(huán)檢測(cè)隊(duì)列中 InsertKeyFrame
相機(jī)
? 相機(jī)的內(nèi)參數(shù)
? 相機(jī)的畸變參數(shù)
? 世界空間到圖像空間的變換
? 圖像空間到世界空間的逆轉(zhuǎn)換
? 圖像點(diǎn)（關(guān)鍵特征點(diǎn)）的去畸變
圖像幀結(jié)構(gòu)
? 圖像的數(shù)據(jù)
? frame ID
? frame 位姿
? 圖像的特征點(diǎn)（關(guān)鍵點(diǎn)）提取，特征匹配
? 尺度因子（這個(gè)是特征里的對(duì)應(yīng)了描述子的圖像的層）
? 獲取相機(jī)的光心
? 計(jì)算單應(yīng)矩陣
? 計(jì)算基礎(chǔ)矩陣
? 單應(yīng)矩陣分解相機(jī)運(yùn)動(dòng)
? 基礎(chǔ)矩陣分解相機(jī)運(yùn)動(dòng)
? 根據(jù)2幀圖像三角測(cè)量點(diǎn)的三維位置（三維重建）
? 計(jì)算詞袋
尺度的問題
特征法中，把尺度作為幀的狀態(tài)，和深度關(guān)聯(lián)，那么在DSO中由于殘差計(jì)算的時(shí)候已經(jīng)考慮了尺度。ORB中同時(shí)具備了Frame和關(guān)鍵幀的結(jié)構(gòu)，所以關(guān)鍵幀中包括了三個(gè)ID號(hào)，當(dāng)前幀ID，關(guān)鍵幀ID，上一關(guān)鍵幀ID
Mappoint/路標(biāo)點(diǎn)
? 三維點(diǎn)，在世界坐標(biāo)系下的坐標(biāo)
? 描述子，這個(gè)描述子相對(duì)于其他的描述子（表征同一個(gè)三維點(diǎn)）的漢明距離最小。
? 可見關(guān)鍵幀，觀測(cè)到該點(diǎn)的關(guān)鍵幀和該點(diǎn)點(diǎn)在該幀中的索引
? 該點(diǎn)的平均觀測(cè)方向
? 參考關(guān)鍵幀（這個(gè)的設(shè)置是在干什么？）
? 觀測(cè)距離，最小距離和最大距離根絕ORB的尺度不變形計(jì)算。
路標(biāo)點(diǎn)和關(guān)鍵幀之間
- 表述該點(diǎn)在哪些關(guān)鍵幀可以看到
- 如何添加共視關(guān)系呢？維持一個(gè)std::map類型的hash，指定對(duì)于該路標(biāo)點(diǎn)對(duì)于那些幀看到了，對(duì)應(yīng)的是該幀里路標(biāo)點(diǎn)的序號(hào)為多少。如果要?jiǎng)h除該點(diǎn)，那么就要?jiǎng)h除該hash。
路標(biāo)點(diǎn)和描述子
一個(gè)路標(biāo)點(diǎn)可多個(gè)描述子對(duì)應(yīng)，在插入關(guān)鍵幀（建圖的時(shí)候），對(duì)于每個(gè)路標(biāo)點(diǎn)可以找到一個(gè)最合適的描述子，所以會(huì)出現(xiàn)一個(gè)過程就是獲取所有的描述子，探后計(jì)算兩兩之間的距離，最好的描述子就是與其他距離最小的那個(gè)。描述子和每個(gè)關(guān)鍵幀對(duì)應(yīng)。
路標(biāo)點(diǎn)的觀測(cè)方向和觀測(cè)距離
觀測(cè)方向的計(jì)算是所有可見關(guān)鍵幀的方向（相對(duì)于路標(biāo)點(diǎn)）的平均，觀測(cè)距離（深度）通過路標(biāo)點(diǎn)減去參考關(guān)鍵幀的光心。
在路標(biāo)點(diǎn)中特征法和直接法的區(qū)別
- 優(yōu)化路標(biāo)點(diǎn)
　關(guān)鍵幀
? 相機(jī)的位姿，從世界坐標(biāo)系到相機(jī)坐標(biāo)系的剛體變換
? 相機(jī)的內(nèi)參數(shù)
? ORB 特征、描述子 以上這兩個(gè)和圖像幀結(jié)構(gòu)是相同的。（特征法中的內(nèi)容）
? vector<路標(biāo)點(diǎn)>
? 刪除/增加路標(biāo)點(diǎn)
? 特征點(diǎn)網(wǎng)格
? BOW
關(guān)鍵幀和Covisibility Graph
Covisibility Graph的實(shí)現(xiàn)使用map”keyfram kf, int idx”的一種結(jié)構(gòu)，前者指定了有共視關(guān)系的關(guān)鍵幀，后者指定了兩者之間的共視關(guān)系的強(qiáng)弱（共視點(diǎn)的個(gè)數(shù)）。refer
更新具有共視關(guān)系的關(guān)鍵幀之間的鏈接的步驟
1. 首先獲得該關(guān)鍵幀的所有MapPoint點(diǎn)，統(tǒng)計(jì)觀測(cè)到這些3d點(diǎn)的每個(gè)關(guān)鍵與其它所有關(guān)鍵幀之間的共視程度
對(duì)每一個(gè)找到的關(guān)鍵幀，建立一條邊，邊的權(quán)重是該關(guān)鍵幀與當(dāng)前關(guān)鍵幀公共3d點(diǎn)的個(gè)數(shù)。
2. 并且該權(quán)重必須大于一個(gè)閾值，如果沒有超過該閾值的權(quán)重，那么就只保留權(quán)重最大的邊（與其它關(guān)鍵幀的共視程度比較高）
3. 對(duì)這些連接按照權(quán)重從大到小進(jìn)行排序，以方便將來的處理
更新完covisibility圖之后，如果沒有初始化過，則初始化為連接權(quán)重最大的邊（與其它關(guān)鍵幀共視程度最高的那個(gè)關(guān)鍵幀），類似于最大生成樹
我們看到大量重復(fù)的并且要保存下來數(shù)據(jù)的有2種，一種是MapPoint，一種是KeyFrame，路標(biāo)點(diǎn)之間假設(shè)是獨(dú)立的，路標(biāo)點(diǎn)和位姿（關(guān)鍵幀）之間具備聯(lián)系，位姿和位姿之間是關(guān)聯(lián)的。
另外一個(gè)問題SLAM中的Data Association表示的是什么，這里最開始的認(rèn)識(shí)就是路標(biāo)點(diǎn)之間的數(shù)據(jù)關(guān)聯(lián)，只有但那些點(diǎn)關(guān)聯(lián)之后，我們才會(huì)直到，哪些點(diǎn)構(gòu)成一個(gè)物體，或者一個(gè)目標(biāo)，如果目標(biāo)是移動(dòng)的，我們也得到一個(gè)啟發(fā)式的處理動(dòng)態(tài)場(chǎng)景的方法。
地圖
? vector<路標(biāo)點(diǎn)>
? vector<關(guān)鍵幀>
? 對(duì)關(guān)鍵幀進(jìn)行優(yōu)化（BA）
? 刪除/增加路標(biāo)點(diǎn)
? 增加/刪除關(guān)鍵幀
跟蹤器（定位的過程）
在跟蹤中初始化的時(shí)候使用的是單應(yīng)矩陣和基礎(chǔ)矩陣，在跟蹤時(shí)候匹配當(dāng)前幀和路標(biāo)點(diǎn)，一個(gè)圖像中的點(diǎn)，一個(gè)三維空間中的點(diǎn)，因此用的是PnP，優(yōu)化Pose，路標(biāo)點(diǎn)這里是假設(shè)為靜止的，只有pose被優(yōu)化。
地圖（BA優(yōu)化）
主要有2個(gè)待優(yōu)化的內(nèi)容，一是軌跡中位姿，另外一個(gè)是圖中的路標(biāo)點(diǎn)，不過很多時(shí)候路標(biāo)進(jìn)過幾次優(yōu)化之后就會(huì)不動(dòng)了，那么這個(gè)時(shí)候就會(huì)使用一個(gè)pose graph來降低優(yōu)化的規(guī)模，在ORB中 Covisibility Graph建模這些位姿，就是用路標(biāo)點(diǎn)個(gè)數(shù)表明位姿節(jié)點(diǎn)的權(quán)重的一個(gè)圖。
BA，這個(gè)東西一般是放在整個(gè)過程的最后，就是別人都折騰過（優(yōu)化）一遍之后（緊著那些保證實(shí)時(shí)性的那些東西盡快的先搞出點(diǎn)東西來用著），把所有的東西放到一個(gè)優(yōu)化器全部?jī)?yōu)化。這樣做的好處就是優(yōu)化過后的各部分都會(huì)精度提到，便于以后放心的使用這些東西，踢掉了不好的outliers，把網(wǎng)絡(luò)之后的關(guān)系理順。

總結(jié)

以上是生活随笔為你收集整理的Slam设计模式的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。