视觉导航中的运动和姿态估计.pdfVIP

2017/5/17 视觉导航中的运动和姿态估计 视觉导航 中的运动和姿态估计 标签： PaperReading 刘桂玉 上海交通大学 原文： Computer Vision for Autonomous Vehicles: Problems, Datasets and State­of­the­Art 8.3. Ego­Motion Estimatio 自我运动的估计，位置和方向，是自动驾驶的另一个基本问题 Formulation: wheel odometry 这些方法在不平坦的地形或广泛的条件下遭受车轮滑移，并且无法从测量中的错误中恢 复 visual odometry 直接法 利用整个图像的梯度信息 特征法 在人工环境下非常有用 LiDAR­based odometry Drift: 1. 用三角测量的方法计算重投影，最小化重投影误差 （boudle adjustment） 2. 闭环检测 2D­to­2D Matching: 计算essential matrix可得到旋转平移的信息 八点算法 （标定、不标定相机均可） 五点算法 （标定相机参数） 其他算法，运用了多目相机或惯性测量 RANSAC算法来找到最好的特征点 3D­to­2D Matching In the case of 3D features at the previous time step and 2D image features at the current time step (3D­to­ 2D) the transformation is estimated from stereo data (or triangulation when using monocular images). 知道 之前的3d信息和当前的2d信息 PnP file:///C:/Users/lgy/AppData/Local/Temp/MarkdownPadPreview.html 1/5 2017/5/17 视觉导航中的运动和姿态估计 boudle adjustment Geiger et al. (2011) present a real­time 3D reconstruction approach using visual odometry Engel et al. (2013) continuously estimate a semi­dense inverse depth map to do real­time visual odometry with a monocular camera 运用单目和半稠密反向深度地图来做实时的vo Engel et al. (2016)direct sparse approach Direct Sparse Odometry 3D­to­3D Matching 直接计算两组3D点来获得变换 1.视觉里程计 通过图像提取的特征投影获得3D深度 双目通过三角测量的到的 3D点，有各向异性，由于基线小，距离等产生误差 minimize reprojection errors 2.LiDAR的方法，直接从传感 器来获得3D深度 没有这个问题 State­of­the­art 用的是kitti2012b数据集，是通过测量变换和旋转的平均误差来评估的 单 目VO 单目的缺点是没有尺度信息，尺度信息需要通过运动约束，或者结合其他的传感器来获取的，漂移误差在单目 vo中比较难解决因为没有深度信息 1981年八点算法在噪声情况下表现的很差 Mirabdollah  Mertsching (2014)用essential matrix的二阶统计特 性来减少估计误差 Song  Chandraker (2014) SfM系统 Mirabdollah  Mertsching (2015) 迭代的五点算法 双 目VO 优于双目，因为可以通过三角测量最小化反投影误差的方法来减少drift LiDAR­based Odometry Discussion 8.5.Localization