Lidar BA 方案后端部分的差异

发布于 2022-12-20 11:51
浏览
0收藏

近几年点云 slam 领域有一类文章不满足于仅估计 pose graph。尝试类似视觉 slam 中的 ba 方法,其致力于同时估计 feature 和 pose。本文内容上仅对比了这些方案在后端部分的差异,但是数据关联可能是在该类方案中更为重要的问题。

Lidar BA 方案后端部分的差异-汽车开发者社区

01 π - LSAM(2021)[3]

Lidar BA 方案后端部分的差异-汽车开发者社区

02  Eigen Factors(2019)[6] 

Lidar BA 方案后端部分的差异-汽车开发者社区

03  BALM(2020,2022)[1,2,7]

Lidar BA 方案后端部分的差异-汽车开发者社区

04  Plane Adjustment(2020,2021)[4,5]

Lidar BA 方案后端部分的差异-汽车开发者社区


论文 [5] 考虑滑动窗口下的估计,其增加了边缘化部分的约束,未边缘化部分代价同 (13) 。


窗口外的约束的 pose 固定,但边缘化部分约束仍对 plane 参数求偏导。文中推导了每个 plane 对应边缘化部分的 reduced 残差,该残差对平面参数的导数可以通过增量计算 Hj 后 cholesky 分解得到。


该论文中对比了 BALM。因将墙体、门等平面两侧视为两个平面进行优化,减少了错误的数据关联,在某些数据集上优于 BALM。


文章转载自公众号:ADS智库



分类
标签
收藏
回复
举报
回复
相关推荐