【SLAM论文笔记】PL-EVIO笔记（下）-CSDN博客

本文链接：https://blog.csdn.net/CSUzhangpeike/article/details/136401570

文章探讨了线特征的数学表示方法，包括Plucker坐标，以及在从世界坐标到相机坐标系的转换中所扮演的角色。重点介绍了4参数和6参数表达的优劣，并通过实验比较了不同视觉定位算法（如PL-EVIO,ORB-SLAM3等）在不同条件下的精度。实验结果显示PL-EVIO在某些场景下表现出色，但弱光环境下其他方法更优。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

线特征的表达

Plucker坐标：
$\bold{L}_w=[\bold{n}^l_w,\bold{d}_w^l]$
$\bold{n}^l_w$ 指由坐标系原点与线决定的平面的法向量， $\bold{d}_w^l$ 指由线段端点决定的方向向量。

从世界坐标系 $w$ 转到第k帧事件相机坐标系 $e_k$ ，
$\bold{L}_e=\left[\begin{array}{cc}R^e_w&[t_w^e]_\times R^e_w \\0&R^e_w\end{array}\right]\bold{L}_w =\begin{array}{}[\bold{n}^l_e&\bold{d}^l_e]\end{array}$
将相机坐标系下的直线投影到像平面，
$\bold{l}_e = \pi_e\bold{n}^l_e=\begin{array}{cc}[l_1&l_2&l_3]\end{array}^T$
$\pi$ 指相机投影方程，与投影3D点形式一致。

6参数与4参数

论文作者讲4参数正交表达在优化中有更好的收敛性能。
$R(\theta)=[\begin{array}{ccc}\frac{n^l_w}{||n^l_w||}&\frac{d^l_w}{||d^l_w||}&\frac{n^l_w\times d^l_w}{||n^l_w\times d^l_w||}\end{array}] \\ R(o)=\left[\begin{array}{cc}cos(o)&-sin(o) \\sin(o)&cos(o)\end{array}\right]=\frac{1}{\sqrt{||n^l_w||^2+||d^l_w||^2}}\left[\begin{array}{cc}||n^l_w||&-||d^l_w||\\||d^l_w||&||n^l_w||\end{array}\right]$

线特征的残差

采用线特征的两个端点到重投影线的距离形式，
$d(p,\bold{l}_e)=\frac{p\bold{l}_e}{\sqrt{l_1^2+l_2^2}}$
p采用齐次坐标 $u,v,1)^t$ ，上式即常见的点到直线的距离公式。

实验结果

用0-5s的真值位姿与估计值对齐，获得变换矩阵SE(3)，把输出轨迹与真值轨迹对齐，计算平均位置误差与轨迹长度的百分比作为精度指标。

实验室自采数据测试

首先VINS-Mono、ORB-SLAM3、PL-VINS、Ultimate SLAM EIO、Ultimate SLAMEVIO与论文不同配置的方法在自采测试数据上比较，PL-EVIO多个场景下平均相对精度最高，0.36%；尽管PL-EVIO多数条件下精度最高，但在弱光照下，PL-EIO胜过PL-EVIO；通过实验发现ORB-SLAM3的平均精度比VINS-Mono、PL-VINS、Ultimate SLAM EIO较高；将事件流积成边缘图像用于VIO，一次数据的调优参数的泛化能力很低。