VIO（4）—— 基于滑动窗口算法的 VIO 系统：可观性和一致性

@

一、从高斯分布到信息矩阵

1.1 SLAM 问题概率建模

在这里插入图片描述

1.2 SLAM 问题求解

在这里插入图片描述

1.3 高斯分布和协方差矩阵

在这里插入图片描述因为一般可以假设(x_{i}和 x_{j})是相互独立的：
(Sigma_{i j}=Eleft(x_{i} x_{j} ight)=E(x_i)E(x_j)=(x-u)^T(x-u))

1.4 样例

1.4.1 样例1

在这里插入图片描述因为实际过程中是协方差矩阵里面各个值是一个数，已经没有办法单独去掉某一部分。

1.4.2 样例2

在这里插入图片描述

二、舒尔补应用：边际概率, 条件概率

2.1 舒尔补的概念

在这里插入图片描述更多定义参见：Wiki. Schur Complement.

2.2 舒尔补的来由

在这里插入图片描述

2.3 使用舒尔补分解的好处

在这里插入图片描述

2.4 舒尔补应用于多元高斯分布

在这里插入图片描述

2.5 关于 P(a), P(b|a) 的协方差矩阵

在这里插入图片描述

2.6 关于 P(a), P(b|a) 的信息矩阵

在这里插入图片描述

2.7 回顾样例

在这里插入图片描述

2.8 总结

在这里插入图片描述

三、滑动窗口算法

3.1 最小二乘用图表示

在这里插入图片描述

3.2 最小二乘问题信息矩阵的构成

在这里插入图片描述

3.3 信息矩阵的稀疏性

在这里插入图片描述

3.4 信息矩阵组装过程的可视化

在这里插入图片描述

3.5 基于边际概率的滑动窗口算法

在这里插入图片描述

3.6 样例

在这里插入图片描述

四、滑动窗口中的 FEJ 算法

在这里插入图片描述

4.1 新测量信息和旧测量信息构建新的系统

在这里插入图片描述

4.2 信息矩阵的零空间变化

在这里插入图片描述

4.3 可观性的一种定义

在这里插入图片描述

【推广】免费学中医，健康全家人

原文地址：https://www.cnblogs.com/long5683/p/13563810.html