Pose Graph Optimization 썸네일형 리스트형 [SLAM][En] Errors and Jacobian Derivations for SLAM Part 2 7. IMU measurement error In order to obtain the IMU measurement error, you must first know about the IMU preintegration technique and error-state modeling. The following figure expresses the overall IMU measurement error-based optimization process. The overall IMU measurement error-based optimization process, with detailed explanations and color highlighting added for better understanding, is as.. 더보기 [SLAM][En] Errors and Jacobian Derivations for SLAM Part 1 1. Introduction This post explains the definition of various errors used in SLAM and the Jacobian derivations for nonlinear optimization. The errors covered in this post are: Reprojection error \begin{equation} \begin{aligned} \mathbf{e} & = \mathbf{p} - \hat{\mathbf{p}} \in \mathbb{R}^{2} \end{aligned} \end{equation} Photometric error \begin{equation} \begin{aligned} \mathbf{e} & = \mathbf{I}_{.. 더보기 [SLAM] Pose Graph Optimization 개념 설명 및 예제 코드 분석 1. Introduction 로봇이 SLAM을 수행하는 동안 센서 데이터가 입력으로 들어오는데 순차적으로 들어오는 센서 데이터들의 차이를 통해 로봇의 포즈를 계산하는 알고리즘을 Odometry 또는 Front-end 라고 한다. 이 때, 센서 데이터의 노이즈로 인해 Odometry는 필연적으로 에러를 포함하고 있는데 시간이 지날수록 에러는 누적되어 전체적인 Trajectroy가 어긋나게 된다. 이러한 문제를 해결하기 위해 1997년 Lu and Milios는 로봇의 포즈를 그래프 자료구조로 표현함으로써 최적화하는 GraphSLAM 방법을 제안하였다. GraphSLAM의 Pipeline은 크게 Front-end와 Back-end로 구분할 수 있다. 로봇의 센서를 입력으로 받아 Pose Graph를 생성하는.. 더보기 이전 1 다음
A L I D A
