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