SLAM 传感器融合算法问题与概念理解

https://zhuanlan.zhihu.com/p/225666687

参考一些博客，添加自己对复杂问题的理解，欢迎讨论

1.如何进一步处理匹配点，更好地保证匹配效果:

答：

(1)设置汉明距离小于最小距离的两倍

（2） 使用类似于非极大值抑制的方法避免，特征点过于拥挤（参照vins）

（3）使用RANSAC(随机采样一致性)避免错误匹配数据的特征

2、单目相机，F不同于H矩阵，E它和F矩阵有什么不同？只能旋转不平移吗？F，只能旋转不平移吗？H

答：

本质矩阵E=t^R

基本矩阵F=K-TEK-1

单因子矩阵 H=R-t*nT/d

只需旋转不平移即可H，不能求E、F

3、 描述BA

答：BA是Bundle Adjustment简称，又称光束法平差、捆绑调整和集束调整，其本质是优化模型，旨在减少重投影/光度误差，优化相机位置和路标点。其主要过程是使用非线性优化(如高斯牛顿或高斯牛顿)L-M(Levenberg-Marquardt)算法)求最优解，使用Hessian矩阵稀疏性解增量方程，获得最佳相机位置和3D特征点。

4、 描述PnP

答：Perspective-n-Points（PnP）主要通过已知的几个匹配3D-2D点击估计相机的位置。主要的应用有求解相机相对某个物体的位姿，求解相机的轨迹。已知点3d坐标是世界坐标系下的坐标，解决了相机坐标系相对于世界坐标系下的位置。求解相机的轨迹主要通过上一帧相机坐标系中的3d点坐标与当前帧中该点的投影坐标相对变化。本质上是为了解决两个坐标系之间的空间关系。

5、 描述Gaussian-Newton法、LM法

答：待补充

6.如何处理关键帧

答:关键帧选择的主要指标有:

(1)跟踪质量(主要基于跟踪过程中搜索到的点和搜索点的比例)/共视特征点

(2)距离最近关键帧是否足够远(空间)/运动

(3)距离上一个关键帧的帧数是否足够(时间)

7.为什么要引入李群李代数？

答:目前的理解:最小二乘问题

Z对于观测到的像素坐标，T为Tcw，p为了解决世界坐标系下的某一点，需要迭代更新变量T，主要方法是沿J的负梯度方向获得dT更新T，但由于变换矩阵不关闭加法（T1 T2不再具有变化的物理意义)，需要通过李群和李代数之间的映射和李代数对加法的封闭来更新变量。

什么是极限约束？

答:所谓极限约束，就是同一点在两个图像上的映射，已知左图映射点p然后右图映射点p必须相对于p在1的极线上，可以减少待匹配点的数量。(需要教育部补充)

9、单目视觉slam中尺寸漂移是如何产生的？

答：