SLAM 中的后端优化

2020-03-30

字数统计: 464字 | 阅读时长≈ 1分钟

本节介绍SLAM中的后端优化过程

本文介绍 SLAM 的后端优化，即同时对三维路标点位置与相机参数进行非线性优化的光束法平差（BA）。文章重点讲解 LM 算法作为信赖域方法的原理与优势——速度快、能在离初始值较远处收敛到最优解，并以表格对比了 KF/EKF、粒子滤波、EM 与图优化等常见后端方案的优缺点。

后端优化，让轨迹与地图一同精进

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

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。

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

打赏