ICE-BA学习(二)
一 IBA(incremental BA)
S i 1 i 2 is nonzero if and only if (i 1 , i 2 ) share common points or have constraint between them.
此时可以通过增量更新方法加速Schur complement的计算
原来:
增量更新方法(Original-IBA):
where P is the set of points involved in cost functions need to be re-linearized.
然后通过PCG(预处理共轭梯度法)求解。这种方法在全局优化(大多数关键帧不公共享特征点)是可以加速求解的,但对于局部优化而言就退化为正常求解了,加速效果不明显,如图
所以这里提出了ST-IBA(Sub-Track based IBA),可以看到对于局部优化这种方法也有很好的加速效果。介绍如下:
1)把原来的3D特征分成相互覆盖的子块,如图
2)更新:
where P̄ is the set of sub-track points involved in cost functions that need to be re-linearized, and V̄ i j 1 i 2 denotes the set
of common sub-track points of frame (i 1 , i 2 ) corresponding to j-th point.
相对于(11)这样的S更稀疏,并且重线性化的点更少,结果如图
相对于固定线性化方法速度快了2~10倍,而且比I-PCG收敛程度好。
二、Relative Marginalization
边缘化把margin掉的帧的信息转化为先验信息,用于局部窗口优化。然而,误差累积也会反映到先验上,The corrupted prior generated from the sliding window将和地图全局信息冲突(闭环检测),从而降低整体精度。为了保证这个先验和全局地图的一致性,提出了ralative marginalization的方法。以前的方法或者跳过边缘化(如VI-ORB-SLAM2),或者不考虑冲突直接边缘化(如VINS)。
主要思想:
把先验表示在相对坐标系统而不是全局绝对坐标系中。细节明天再看。
参考论文:
ICE-BA: Incremental, Consistent and Efficient Bundle Adjustment for Visual-Inertial SLAM