20190723_CVPR2019_[濾波SLAM]SEVIS

文章：An Efficient Schmidt-EKF for 3D Visual-Inertial SLAM
鏈接：https://arxiv.org/abs/1903.08636
作者：Patrick Geneva，……由境，Guoquan Huang
機(jī)構(gòu)：University of Delaware皂岔，Google Daydream，U.S. Army Research Lab
摘要的摘要：把地圖點直接引入到狀態(tài)變量里來昨寞，并且在一定條件下標(biāo)記為Schmidt狀態(tài)而不再更新其卡爾曼增益和自身協(xié)方差钓葫，達(dá)到整體復(fù)雜度仍為未知量的線性增長÷黻迹可參考MSCKF榄檬。
作者相關(guān)：Guoquan Huang為FEJ問題提出者卜范。

1. 濾波SLAM

$x_k=[x_I^{\top}\,\,x_C^{\top}\,\,x_S^{\top}] =: [x_A^{\top}\,\,x_S^{\top}] \tag{1}$
其中， $I$ 代表IMU鹿榜， $C$ 代表Camera海雪， $S$ 代表地圖點。系統(tǒng)的協(xié)方差可寫作：
$\text{P}_k=\left[ \begin{matrix} \text{P}_{AA_k}& \text{P}_{AS_k}\\ \text{P}_{SA_k}& \text{P}_{SS_k}\\ \end{matrix} \right] \tag{5}$
之后的IMU Propagation和Camera Measurement Update就不表了舱殿，之后會寫個濾波SLAM梳理下奥裸。

2. Schmidt-EKF based VI-SLAM

對于特征點，使用FAST+ORB沪袭，在系統(tǒng)中分為三類Features：

2.1. VIO Features: MSCKF Update

在current sliding window中不再被觀測到的features湾宙，像MSCKF一樣處理。

2.2 SLAM Features: EKF Update

可靠追蹤長過當(dāng)前current sliding window的冈绊，初始化為active state侠鳄，perform標(biāo)準(zhǔn)的EKF，然后not remain active forever死宣，他們或者被直接移除伟恶，或者被標(biāo)記為Schmidt state不再更新相關(guān)量。

2.3. Map Features: Schmidt-EKF Update

2.3.1 Keyframe-aided 2D-to-2D Matching

當(dāng)前幀的特征點不直接跟之前所有的地圖點做匹配毅该，而是先跟近鄰的KF中的特征點做2D-2D匹配博秫，然后再跟這些KF中的2D點所對應(yīng)的3D點做投影匹配。

2.3.2. Schmidt-EKF Update

將卡爾曼增益項 $\text{K}$ 拆分：
$\left[ \begin{array}{c} \text{K}_{A_k}\\ \text{K}_{S_k}\\ \end{array} \right] =\left[ \begin{array}{c} \text{P}_{AA_{k|k-1}}\text{H}_{A_k}^{\top}+\text{P}_{AS_{k|k-1}}\text{H}_{S_k}^{\top}\\ \text{P}_{SA_{k|k-1}}\text{H}_{A_k}^{\top}+\text{P}_{SS_{k|k-1}}\text{H}_{S_k}^{\top}\\ \end{array} \right] \text{S}_{k}^{-1} \\$
對于Schmidt state的地圖點眶掌，令 $\text{K}_{S_k}=0$ 挡育，則：
$\hat{x}_{A_{k|k}}=\hat{x}_{A_{k|k-1}}+\text{K}_{A_k}\text{r}_{\text{f}_{\text{k}}}\,\, , \,\,\hat{x}_{\text{S}_{k|k}}=\hat{x}_{\text{S}_{k|k-1}} \tag{21}$
對于協(xié)方差：
$\text{P}_{AA_{k|k}}=\text{P}_{AA_{k|k-1}}-\text{K}_{A_k}\left( \text{H}_{A_k}\text{P}_{AA_{k|k-1}}+\text{H}_{S_k}\text{P}_{AS_{k|k-1}}^{\top} \right) \tag{22}$
$\text{P}_{AS_{k|k}}=\text{P}_{AS_{k|k-1}}-\text{K}_{A_k}\left( \text{H}_{A_k}\text{P}_{AS_{k|k-1}}+\text{H}_{S_k}\text{P}_{SS_{k|k-1}}^{\top} \right) \tag{23}$
$\text{P}_{SS_{k|k}}=\text{P}_{SS_{k|k-1}} \tag{24}$
結(jié)合SLAM系統(tǒng)的稀疏性，paper分析了整體復(fù)雜度仍保持為線性朴爬，且paper給出的實驗數(shù)據(jù)中静盅，ATE精度優(yōu)于MSCKF和VINS-Mono。

最后編輯于：2019.07.23 14:38:35

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者