VINS-Mono 소스 분석 4-vinsestimator3 (비선형 최적화)
108396 단어 필기
초기화에 성공하면 프로그램은 다음과 같은 코드에 들어갑니다.
if(result)
{
solver_flag = NON_LINEAR;
solveOdometry();
slideWindow();
f_manager.removeFailures();
ROS_INFO("Initialization finish!");
last_R = Rs[WINDOW_SIZE];
last_P = Ps[WINDOW_SIZE];
last_R0 = Rs[0];
last_P0 = Ps[0];
}
Solverflag 상태가 NON 으로 설정됨LINEAR 후 백엔드 비선형 최적화 Solve Odometry () 함수와 슬라이딩 창 처리 슬라이드 윈도 () 함수를 실행하고 특징점 관리자 f 삭제관리자의 깊이가 마이너스인 특징점, 마지막으로last 기록R、last_P、last_R0 및 lastP0.
다음은 SolveOdometry () 함수를 자세히 분석해 보겠습니다.
void Estimator::solveOdometry()
{
if (frame_count < WINDOW_SIZE)
return;
if (solver_flag == NON_LINEAR)
{
TicToc t_tri;
f_manager.triangulate(Ps, tic, ric);
ROS_DEBUG("triangulation costs %f", t_tri.toc());
optimization();
}
}
triangulate () 함수는 VINS-mono 원본 분석 3-vins estimator2에서 이미 분석되었는데, 여기서 더 이상 군말하지 않지만, 이 함수를 다시 호출하는 목적은 특징점의 깊이를 세계 좌표계 아래의 이미지 프레임까지 갱신하는 것이다.다음에optimization() 함수를 분석하고,
ceres::Problem problem;
ceres::LossFunction *loss_function;
//loss_function = new ceres::HuberLoss(1.0);
loss_function = new ceres::CauchyLoss(1.0);
ceres 라이브러리 최적화 문제를 구축하고 손실 함수를 코시핵 함수로 정의하여
for (int i = 0; i < WINDOW_SIZE + 1; i++)
{
ceres::LocalParameterization *local_parameterization = new PoseLocalParameterization();
problem.AddParameterBlock(para_Pose[i], SIZE_POSE, local_parameterization);
problem.AddParameterBlock(para_SpeedBias[i], SIZE_SPEEDBIAS);
}
for (int i = 0; i < NUM_OF_CAM; i++)
{
ceres::LocalParameterization *local_parameterization = new PoseLocalParameterization();
problem.AddParameterBlock(para_Ex_Pose[i], SIZE_POSE, local_parameterization);
//
if (!ESTIMATE_EXTRINSIC)
{
ROS_DEBUG("fix extinsic param");
problem.SetParameterBlockConstant(para_Ex_Pose[i]);
}
else
ROS_DEBUG("estimate extinsic param");
}
슬라이드 윈도우 내 모든 프레임의 비트, IMU의 속도 및 가계 팽이 오프셋 정보, IMU-카메라 간의 외부 참조 비트를 포함하여 매개변수 블록을 추가하고 IMU-카메라 간의 외부 참조 비트를 고정 매개변수 블록으로 설정합니다.
if (ESTIMATE_TD)
{
problem.AddParameterBlock(para_Td[0], 1);
}
이 코드는 기본적으로 실행되지 않습니다.
vector2double();
void Estimator::vector2double()
{
......
VectorXd dep = f_manager.getDepthVector();
for (int i = 0; i < f_manager.getFeatureCount(); i++)
para_Feature[i][0] = dep(i);
if (ESTIMATE_TD)
para_Td[0][0] = td;
}
이 코드는para 에게Pose、para_SpeedBias와paraEx_Pose 부여, 가장 중요한 것은 역깊이paraFeature.사실 여기는 잘 모르겠어요. 이치대로라면 파라에Pose、para_SpeedBias와paraEx_Pose에서 값을 부여하고 매개 변수 블록을 추가해야 하는데, 왜 이렇게 쓰는 프로그램도 정상적으로 실행되는지 모르겠습니다.
if (last_marginalization_info)
{
MarginalizationFactor *marginalization_factor = new MarginalizationFactor(last_marginalization_info);
problem.AddResidualBlock(marginalization_factor, NULL,
last_marginalization_parameter_blocks);
}
테두리화 잔차 정보를 정의하고 테두리화 잔차 블록을 첨가한다. 테두리화는 최적화 과정에서 구속의 역할을 할 뿐이므로 주의해야 한다.테두리화에 관해서는 전문적으로 블로그인 《VINS-Mono 원본 분석 5-vins estimator4》를 써서 소개하였는데, 여기서는 더 이상 설명하지 않겠다.
for (int i = 0; i < WINDOW_SIZE; i++)
{
int j = i + 1;
//
if (pre_integrations[j]->sum_dt > 10.0)
continue;
IMUFactor* imu_factor = new IMUFactor(pre_integrations[j]);
problem.AddResidualBlock(imu_factor, NULL, para_Pose[i], para_SpeedBias[i], para_Pose[j], para_SpeedBias[j]);
}
IMU 잔차 정보를 정의하고 IMU 잔차 블록을 추가합니다.이 부분은 코드가factor 폴더 아래에 있는 IMUfactor.h 파일 중,
virtual bool Evaluate(double const *const *parameters, double *residuals, double **jacobians) const
{
//
Eigen::Vector3d Pi(parameters[0][0], parameters[0][1], parameters[0][2]);
Eigen::Quaterniond Qi(parameters[0][6], parameters[0][3], parameters[0][4], parameters[0][5]);
Eigen::Vector3d Vi(parameters[1][0], parameters[1][1], parameters[1][2]);
Eigen::Vector3d Bai(parameters[1][3], parameters[1][4], parameters[1][5]);
Eigen::Vector3d Bgi(parameters[1][6], parameters[1][7], parameters[1][8]);
Eigen::Vector3d Pj(parameters[2][0], parameters[2][1], parameters[2][2]);
Eigen::Quaterniond Qj(parameters[2][6], parameters[2][3], parameters[2][4], parameters[2][5]);
Eigen::Vector3d Vj(parameters[3][0], parameters[3][1], parameters[3][2]);
Eigen::Vector3d Baj(parameters[3][3], parameters[3][4], parameters[3][5]);
Eigen::Vector3d Bgj(parameters[3][6], parameters[3][7], parameters[3][8]);
//
Eigen::Map<Eigen::Matrix<double, 15, 1>> residual(residuals);
residual = pre_integration->evaluate(Pi, Qi, Vi, Bai, Bgi,
Pj, Qj, Vj, Baj, Bgj);
Eigen::Matrix<double, 15, 15> sqrt_info = Eigen::LLT<Eigen::Matrix<double, 15, 15>>(pre_integration->covariance.inverse()).matrixL().transpose();
//sqrt_info.setIdentity();
residual = sqrt_info * residual;
//
if (jacobians)
{
......
}
return true;
}
위의 코드는integration을 결합시켜야 한다base.h의 코드 읽기, 이론 지식은 최신의 글인 에서 3.3절의 내용을 참고한다.
int f_m_cnt = 0;
int feature_index = -1;
for (auto &it_per_id : f_manager.feature)
{
it_per_id.used_num = it_per_id.feature_per_frame.size();
if (!(it_per_id.used_num >= 2 && it_per_id.start_frame < WINDOW_SIZE - 2))
continue;
++feature_index;
int imu_i = it_per_id.start_frame, imu_j = imu_i - 1;
Vector3d pts_i = it_per_id.feature_per_frame[0].point;
for (auto &it_per_frame : it_per_id.feature_per_frame)
{
imu_j++;
if (imu_i == imu_j)
{
continue;
}
Vector3d pts_j = it_per_frame.point;
//
if (ESTIMATE_TD)
{
......
}
else
{
ProjectionFactor *f = new ProjectionFactor(pts_i, pts_j);
problem.AddResidualBlock(f, loss_function, para_Pose[imu_i], para_Pose[imu_j], para_Ex_Pose[0], para_Feature[feature_index]);
}
f_m_cnt++;
}
}
비주얼 투영 잔차 정보를 정의하고 비주얼 투영 잔차 블록을 추가합니다.이 부분은 코드가factor 폴더 아래에 있는 프로젝트factor.cpp 파일에서
bool ProjectionFactor::Evaluate(double const *const *parameters, double *residuals, double **jacobians) const
{
TicToc tic_toc;
//
Eigen::Vector3d Pi(parameters[0][0], parameters[0][1], parameters[0][2]);
Eigen::Quaterniond Qi(parameters[0][6], parameters[0][3], parameters[0][4], parameters[0][5]);
Eigen::Vector3d Pj(parameters[1][0], parameters[1][1], parameters[1][2]);
Eigen::Quaterniond Qj(parameters[1][6], parameters[1][3], parameters[1][4], parameters[1][5]);
Eigen::Vector3d tic(parameters[2][0], parameters[2][1], parameters[2][2]);
Eigen::Quaterniond qic(parameters[2][6], parameters[2][3], parameters[2][4], parameters[2][5]);
double inv_dep_i = parameters[3][0];
// ,
Eigen::Vector3d pts_camera_i = pts_i / inv_dep_i;
Eigen::Vector3d pts_imu_i = qic * pts_camera_i + tic;
Eigen::Vector3d pts_w = Qi * pts_imu_i + Pi;
Eigen::Vector3d pts_imu_j = Qj.inverse() * (pts_w - Pj);
Eigen::Vector3d pts_camera_j = qic.inverse() * (pts_imu_j - tic);
Eigen::Map<Eigen::Vector2d> residual(residuals);
// else
#ifdef UNIT_SPHERE_ERROR
residual = tangent_base * (pts_camera_j.normalized() - pts_j.normalized());
#else
double dep_j = pts_camera_j.z();
residual = (pts_camera_j / dep_j).head<2>() - pts_j.head<2>();
#endif
residual = sqrt_info * residual;
//
if (jacobians)
{
......
}
sum_t += tic_toc.toc();
return true;
}
이론 지식은 최신의 글인'VINS논문 추도 및 코드 해석'중 3.4절의 내용을 참고한다.
if(relocalization_info)
{
......
}
매개변수 파일에서fastrelocalization의 값을 1로 설정해야 링이 검출될 때 실행됩니다.
ceres::Solver::Options options;
options.linear_solver_type = ceres::DENSE_SCHUR;
//options.num_threads = 2;
options.trust_region_strategy_type = ceres::DOGLEG;
options.max_num_iterations = NUM_ITERATIONS;
//options.use_explicit_schur_complement = true;
//options.minimizer_progress_to_stdout = true;
//options.use_nonmonotonic_steps = true;
if (marginalization_flag == MARGIN_OLD)
options.max_solver_time_in_seconds = SOLVER_TIME * 4.0 / 5.0;
else
options.max_solver_time_in_seconds = SOLVER_TIME;
TicToc t_solver;
ceres::Solver::Summary summary;
ceres::Solve(options, &problem, &summary);
ceres 구해의 일부 파라미터를 설정하여 교체 최적화를 하고 최적화를 기다리는 파라미터의 가장 좋은 결과를 찾습니다.
double2vector();
void Estimator::double2vector()
{
......
// , 0
double y_diff = origin_R0.x() - origin_R00.x();
//
Matrix3d rot_diff = Utility::ypr2R(Vector3d(y_diff, 0, 0));
if (abs(abs(origin_R0.y()) - 90) < 1.0 || abs(abs(origin_R00.y()) - 90) < 1.0)
{
ROS_DEBUG("euler singular point!");
rot_diff = Rs[0] * Quaterniond(para_Pose[0][6],
para_Pose[0][3],
para_Pose[0][4],
para_Pose[0][5]).toRotationMatrix().transpose();
}
for (int i = 0; i <= WINDOW_SIZE; i++)
{
......
// 0 ,
}
for (int i = 0; i < NUM_OF_CAM; i++)
{
......
//
}
//
VectorXd dep = f_manager.getDepthVector();
for (int i = 0; i < f_manager.getFeatureCount(); i++)
dep(i) = para_Feature[i][0];
f_manager.setDepth(dep);
//
if (ESTIMATE_TD)
td = para_Td[0][0];
// , euroc_config.yaml fast_relocalization 0
if(relocalization_info)
{
......
}
}
코드 분석이 주석에 쓰여 있다.
if (marginalization_flag == MARGIN_OLD)
{
......
}
else
{
......
}
이 안의 코드는 매우 중요합니다. 다음 변두리화를 위한 준비 작업은 주로 선형화 잔차 rpr 를 업데이트하는 것입니다.prp와 선형화 야크비 행렬 Jp JpJp, 이들은 가장자리화의 제약으로 이해할 수 있다. 최신의 글인 에서 3.2절의 목표 함수 중의 rp r 를 참고한다.p rp 및 J p Jp Jp.이 부분에 관해서는 전문적으로 블로그인 《VINS-Mono 원본 분석 5-vins estimator4》를 써서 소개하였는데, 여기서는 더 이상 설명하지 않겠다.
다음은 프로세스 이미지 () 함수로 돌아가서 슬라이드 윈도 () 함수를 분석하고 가장 오래된 프레임을 가장자리화할 때
double t_0 = Headers[0].stamp.toSec();
back_R0 = Rs[0];
back_P0 = Ps[0];
슬라이드 윈도우의 프레임 0에 대한 타임 스탬프, 회전 및 변환 정보를 저장합니다.
for (int i = 0; i < WINDOW_SIZE; i++)
{
Rs[i].swap(Rs[i + 1]);
std::swap(pre_integrations[i], pre_integrations[i + 1]);
dt_buf[i].swap(dt_buf[i + 1]);
linear_acceleration_buf[i].swap(linear_acceleration_buf[i + 1]);
angular_velocity_buf[i].swap(angular_velocity_buf[i + 1]);
Headers[i] = Headers[i + 1];
Ps[i].swap(Ps[i + 1]);
Vs[i].swap(Vs[i + 1]);
Bas[i].swap(Bas[i + 1]);
Bgs[i].swap(Bgs[i + 1]);
}
Headers[WINDOW_SIZE] = Headers[WINDOW_SIZE - 1];
Ps[WINDOW_SIZE] = Ps[WINDOW_SIZE - 1];
Vs[WINDOW_SIZE] = Vs[WINDOW_SIZE - 1];
Rs[WINDOW_SIZE] = Rs[WINDOW_SIZE - 1];
Bas[WINDOW_SIZE] = Bas[WINDOW_SIZE - 1];
Bgs[WINDOW_SIZE] = Bgs[WINDOW_SIZE - 1];
delete pre_integrations[WINDOW_SIZE];
pre_integrations[WINDOW_SIZE] = new IntegrationBase{acc_0, gyr_0, Bas[WINDOW_SIZE], Bgs[WINDOW_SIZE]};
dt_buf[WINDOW_SIZE].clear();
linear_acceleration_buf[WINDOW_SIZE].clear();
angular_velocity_buf[WINDOW_SIZE].clear();
슬라이딩 창의 순서가 이동합니다. 이 때 10 프레임이 도착하지 않았습니다. 따라서 10 프레임의 초기 처리 방식을 주의하십시오.
if (true || solver_flag == INITIAL)
{
map<double, ImageFrame>::iterator it_0;
it_0 = all_image_frame.find(t_0);
delete it_0->second.pre_integration;
it_0->second.pre_integration = nullptr;
for (map<double, ImageFrame>::iterator it = all_image_frame.begin(); it != it_0; ++it)
{
if (it->second.pre_integration)
delete it->second.pre_integration;
it->second.pre_integration = NULL;
}
all_image_frame.erase(all_image_frame.begin(), it_0);
all_image_frame.erase(t_0);
}
활창 밖의 모든 프레임의 예비 포인트preintegration 정보 삭제 비우기, 슬라이딩 창 밖의 모든 프레임 삭제,
slideWindowOld();
void Estimator::slideWindowOld()
{
sum_of_back++;//
bool shift_depth = solver_flag == NON_LINEAR ? true : false;
//
if (shift_depth)
{
Matrix3d R0, R1;
Vector3d P0, P1;
R0 = back_R0 * ric[0];// 0
R1 = Rs[0] * ric[0];// 1 , 0
P0 = back_P0 + back_R0 * tic[0];
P1 = Ps[0] + Rs[0] * tic[0];
f_manager.removeBackShiftDepth(R0, P0, R1, P1);
}
//
else
f_manager.removeBack();
}
슬라이더가 끝나면 피쳐 점 관리자 f관리자에 저장된 프레임 정보는 업데이트가 필요합니다. 구체적인 코드는removeBackShiftDepth()와removeBack() 함수입니다.
void FeatureManager::removeBackShiftDepth(Eigen::Matrix3d marg_R, Eigen::Vector3d marg_P, Eigen::Matrix3d new_R, Eigen::Vector3d new_P)
{
for (auto it = feature.begin(), it_next = feature.begin();
it != feature.end(); it = it_next)
{
it_next++;
// it 0 ,
if (it->start_frame != 0)
it->start_frame--;
else
{
// it
Eigen::Vector3d uv_i = it->feature_per_frame[0].point;
it->feature_per_frame.erase(it->feature_per_frame.begin());
// it 2, it
if (it->feature_per_frame.size() < 2)
{
feature.erase(it);
continue;
}
else
{
// it
Eigen::Vector3d pts_i = uv_i * it->estimated_depth;
Eigen::Vector3d w_pts_i = marg_R * pts_i + marg_P;
Eigen::Vector3d pts_j = new_R.transpose() * (w_pts_i - new_P);
double dep_j = pts_j(2);
if (dep_j > 0)
it->estimated_depth = dep_j;
else
it->estimated_depth = INIT_DEPTH;
}
}
}
}
void FeatureManager::removeBack()
{
for (auto it = feature.begin(), it_next = feature.begin();
it != feature.end(); it = it_next)
{
it_next++;
// it 0 ,
if (it->start_frame != 0)
it->start_frame--;
else
{
// it
it->feature_per_frame.erase(it->feature_per_frame.begin());
// it 0, it
if (it->feature_per_frame.size() == 0)
feature.erase(it);
}
}
}
간략하게 분석하여 주석에 썼으니 이어서 아래로 읽어라!
새 프레임을 테두리화할 때
for (unsigned int i = 0; i < dt_buf[frame_count].size(); i++)
{
double tmp_dt = dt_buf[frame_count][i];
Vector3d tmp_linear_acceleration = linear_acceleration_buf[frame_count][i];
Vector3d tmp_angular_velocity = angular_velocity_buf[frame_count][i];
pre_integrations[frame_count - 1]->push_back(tmp_dt, tmp_linear_acceleration, tmp_angular_velocity);
dt_buf[frame_count - 1].push_back(tmp_dt);
linear_acceleration_buf[frame_count - 1].push_back(tmp_linear_acceleration);
angular_velocity_buf[frame_count - 1].push_back(tmp_angular_velocity);
}
Headers[frame_count - 1] = Headers[frame_count];
Ps[frame_count - 1] = Ps[frame_count];
Vs[frame_count - 1] = Vs[frame_count];
Rs[frame_count - 1] = Rs[frame_count];
Bas[frame_count - 1] = Bas[frame_count];
Bgs[frame_count - 1] = Bgs[frame_count];
delete pre_integrations[WINDOW_SIZE];
pre_integrations[WINDOW_SIZE] = new IntegrationBase{acc_0, gyr_0, Bas[WINDOW_SIZE], Bgs[WINDOW_SIZE]};
dt_buf[WINDOW_SIZE].clear();
linear_acceleration_buf[WINDOW_SIZE].clear();
angular_velocity_buf[WINDOW_SIZE].clear();
슬라이더 처리 전 10 프레임과 9 프레임의 일부 정보를 합쳐서 슬라이더 처리 후 9 프레임의 일부 정보로 삼고 슬라이더 처리 전 10 프레임의 일부 다른 정보를 슬라이더 처리 후 9 프레임에 부여하고 마지막으로 슬라이더 처리 후 10 프레임에 초기 처리를 한다.
slideWindowNew()
void Estimator::slideWindowNew()
{
sum_of_front++;
f_manager.removeFront(frame_count);
}
void FeatureManager::removeFront(int frame_count)
{
for (auto it = feature.begin(), it_next = feature.begin(); it != feature.end(); it = it_next)
{
it_next++;
// it 10 ,
if (it->start_frame == frame_count)
{
it->start_frame--;
}
else
{
// 9 it
int j = WINDOW_SIZE - 1 - it->start_frame;
if (it->endFrame() < frame_count - 1)
continue;
it->feature_per_frame.erase(it->feature_per_frame.begin() + j);
// it 0, it
if (it->feature_per_frame.size() == 0)
feature.erase(it);
}
}
}
슬라이더가 끝나면 피쳐 점 관리자 f관리자에 저장된 프레임 정보를 업데이트해야 합니다.
이어서 프로세스 Image () 함수로 돌아가서 아래로 분석합니다
f_manager.removeFailures();
void FeatureManager::removeFailures()
{
for (auto it = feature.begin(), it_next = feature.begin();
it != feature.end(); it = it_next)
{
it_next++;
if (it->solve_flag == 2)
feature.erase(it);
}
}
피쳐 점 관리자의 모든 깊이 값이 음수인 피쳐 점을 지웁니다.
이 내용에 흥미가 있습니까?
현재 기사가 여러분의 문제를 해결하지 못하는 경우 AI 엔진은 머신러닝 분석(스마트 모델이 방금 만들어져 부정확한 경우가 있을 수 있음)을 통해 가장 유사한 기사를 추천합니다:
static 간단한 설명static 방법은 일반적으로 정적 방법이라고 부른다. 정적 방법은 어떠한 대상에 의존하지 않고 접근할 수 있기 때문에 정적 방법에 있어this는 없다. 왜냐하면 그 어떠한 대상에도 의존하지 않기 때문이다. 대상이 ...
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
CC BY-SA 2.5, CC BY-SA 3.0 및 CC BY-SA 4.0에 따라 라이센스가 부여됩니다.